Udostępnij za pośrednictwem

Generowanie szczegółowych informacji o odpowiedzialnej sztucznej inteligencji przy użyciu kodu YAML i języka Python

  • Artykuł

DOTYCZY: Rozszerzenie interfejsu wiersza polecenia platformy Azure w wersji 2 (current)Zestaw PYTHON SDK azure-ai-ml v2 (bieżąca)

Pulpit nawigacyjny odpowiedzialnej sztucznej inteligencji i kartę wyników można wygenerować za pomocą zadania potoku przy użyciu składników odpowiedzialnej sztucznej inteligencji. Istnieje sześć podstawowych składników do tworzenia pulpitów nawigacyjnych odpowiedzialnej sztucznej inteligencji oraz kilka składników pomocniczych. Oto przykładowy wykres eksperymentu:

Zrzut ekranu przedstawiający przykładowy wykres eksperymentu.

Składniki odpowiedzialnej sztucznej inteligencji

Podstawowe składniki tworzenia pulpitu nawigacyjnego odpowiedzialnej sztucznej inteligencji w usłudze Azure Machine Learning to:

  • RAI Insights dashboard constructor
  • Składniki narzędzia:
    • Add Explanation to RAI Insights dashboard
    • Add Causal to RAI Insights dashboard
    • Add Counterfactuals to RAI Insights dashboard
    • Add Error Analysis to RAI Insights dashboard
    • Gather RAI Insights dashboard
    • Gather RAI Insights score card

Składniki RAI Insights dashboard constructor i Gather RAI Insights dashboard są zawsze wymagane, a do tego wymagany jest co najmniej jeden składnik narzędziowy. Nie trzeba jednak używać wszystkich narzędzi na każdym pulpicie nawigacyjnym odpowiedzialnej sztucznej inteligencji.

W poniższych sekcjach przedstawiono specyfikacje składników odpowiedzialnej sztucznej inteligencji oraz przykłady fragmentów kodu w języku YAML i Python.

Ważne

Elementy oznaczone (wersja zapoznawcza) w tym artykule są obecnie dostępne w publicznej wersji zapoznawczej. Wersja zapoznawcza jest udostępniana bez umowy dotyczącej poziomu usług i nie jest zalecana w przypadku obciążeń produkcyjnych. Niektóre funkcje mogą być nieobsługiwane lub ograniczone. Aby uzyskać więcej informacji, zobacz Uzupełniające warunki korzystania z wersji zapoznawczych platformy Microsoft Azure.

Ograniczenia

Bieżący zestaw składników ma wiele ograniczeń dotyczących ich użycia:

  • Wszystkie modele muszą być zarejestrowane w usłudze Azure Machine Learning w formacie MLflow z odmianą sklearn (scikit-learn).
  • Modele muszą być ładowalne w środowisku składników.
  • Modele muszą być możliwe do wyboru.
  • Modele muszą być dostarczane do składników odpowiedzialnej sztucznej Fetch Registered Model inteligencji przy użyciu składnika, który udostępniamy.
  • Dane wejściowe zestawu danych muszą być w mltable formacie.
  • Model musi być dostarczony nawet wtedy, gdy jest wykonywana tylko analiza przyczynowa danych. W tym celu możesz użyć DummyClassifier narzędzi do szacowania i DummyRegressor z biblioteki scikit-learn.

Konstruktor pulpitu nawigacyjnego RAI Insights

Ten składnik ma trzy porty wejściowe:

  • Model uczenia maszynowego
  • Zestaw danych trenowania
  • Testowy zestaw danych

Aby wygenerować szczegółowe informacje debugowania modelu za pomocą składników, takich jak analiza błędów i wyjaśnienia modelu, użyj zestawu danych trenowania i testowania, które były używane podczas trenowania modelu. W przypadku składników, takich jak analiza przyczynowa, która nie wymaga modelu, należy użyć zestawu danych trenowania do wytrenowania modelu przyczynowego w celu wygenerowania szczegółowych informacji przyczynowych. Zestaw danych testowych służy do wypełniania wizualizacji pulpitów nawigacyjnych odpowiedzialnej sztucznej inteligencji.

Najprostszym sposobem dostarczenia modelu jest zarejestrowanie modelu wejściowego i odwołanie do tego samego modelu w porcie RAI Insight Constructor wejściowym modelu składnika, który omówimy w dalszej części tego artykułu.

Uwaga

Obecnie obsługiwane są tylko modele w formacie MLflow i z smakiem sklearn .

Dwa zestawy danych powinny być w mltable formacie. Udostępnione zestawy danych trenowania i testowania nie muszą być tymi samymi zestawami danych, które są używane podczas trenowania modelu, ale mogą być takie same. Domyślnie ze względu na wydajność testowy zestaw danych jest ograniczony do 5000 wierszy interfejsu użytkownika wizualizacji.

Składnik konstruktora akceptuje również następujące parametry:

Nazwa parametru opis Type
title Krótki opis pulpitu nawigacyjnego. String
task_type Określa, czy model jest przeznaczony do klasyfikacji, regresji lub prognozowania. Ciąg, classification, regressionlub forecasting
target_column_name Nazwa kolumny w wejściowych zestawach danych, które model próbuje przewidzieć. String
maximum_rows_for_test_dataset Maksymalna liczba wierszy dozwolonych w zestawie danych testowych ze względu na wydajność. Liczba całkowita, wartość domyślna to 5000
categorical_column_names Kolumny w zestawach danych reprezentujące dane podzielone na kategorie. Opcjonalna lista ciągów1
classes Pełna lista etykiet klas w zestawie danych trenowania. Opcjonalna lista ciągów1
feature_metadata Określa dodatkowe informacje, których może potrzebować pulpit nawigacyjny w zależności od typu zadania. W przypadku prognozowania obejmuje to określenie, która kolumna jest kolumną datetime , a która kolumna jest kolumną time_series_id . W przypadku przetwarzania obrazów może to obejmować średnią wartość pikseli lub dane lokalizacji obrazu. Opcjonalna lista ciągów1
use_model_dependency Określa, czy model wymaga obsługi oddzielnego kontenera platformy Docker z powodu konfliktu zależności z pulpitem nawigacyjnym RAI. W przypadku prognozowania należy włączyć tę funkcję. Zazwyczaj w przypadku innych scenariuszy nie jest to włączone. Wartość logiczna

1 Listy powinny być podawane jako pojedynczy ciąg zakodowany w formacie JSON dla categorical_column_names, classesfeature_metadata danych wejściowych.

Składnik konstruktora ma jedno wyjście o nazwie rai_insights_dashboard. Jest to pusty pulpit nawigacyjny, na którym działają poszczególne składniki narzędzia. Wszystkie wyniki są zbierane przez Gather RAI Insights dashboard składnik na końcu.

 create_rai_job: 

    type: command 
    component: azureml://registries/azureml/components/microsoft_azureml_rai_tabular_insight_constructor/versions/<get current version>
    inputs: 
      title: From YAML snippet 
      task_type: regression
      type: mlflow_model
      path: azureml:<registered_model_name>:<registered model version> 
      train_dataset: ${{parent.inputs.my_training_data}} 
      test_dataset: ${{parent.inputs.my_test_data}} 
      target_column_name: ${{parent.inputs.target_column_name}} 
      categorical_column_names: '["location", "style", "job title", "OS", "Employer", "IDE", "Programming language"]'

Dodawanie przyczynowości do pulpitu nawigacyjnego usługi RAI Insights

Ten składnik wykonuje analizę przyczynową w podanych zestawach danych. Ma jeden port wejściowy, który akceptuje dane wyjściowe elementu RAI Insights dashboard constructor. Akceptuje również następujące parametry:

Nazwa parametru opis Wpisz
treatment_features Lista nazw funkcji w zestawach danych, które są potencjalnie "możliwe do leczenia", aby uzyskać różne wyniki. Lista ciągów2.
heterogeneity_features Lista nazw funkcji w zestawach danych, która może mieć wpływ na zachowanie funkcji "możliwych do leczenia". Domyślnie wszystkie funkcje będą brane pod uwagę. Opcjonalna lista ciągów2.
nuisance_model Model używany do oszacowania wyniku zmiany cech leczenia. Ciąg opcjonalny. Musi mieć linear wartość lub AutoML, wartość domyślna to linear.
heterogeneity_model Model używany do szacowania wpływu cech heterogeniczności na wynik. Ciąg opcjonalny. Musi mieć linear wartość lub forest, wartość domyślna to linear.
alpha Poziom ufności interwałów ufności. Opcjonalna liczba zmiennoprzecinkowa domyślnie to 0,05.
upper_bound_on_cat_expansion Maksymalna ekspansja cech kategorii. Opcjonalna liczba całkowita domyślnie to 50.
treatment_cost Koszt zabiegów. Jeśli 0, wszystkie zabiegi będą miały zerowy koszt. Jeśli lista zostanie przekazana, każdy element zostanie zastosowany do jednego z elementów treatment_features.

Każdy element może być wartością skalarną wskazującą stały koszt zastosowania tego leczenia lub tablicy wskazującej koszt dla każdej próbki. Jeśli leczenie jest dyskretnym traktowaniem, tablica dla tej funkcji powinna być dwuwymiarowa, z pierwszym wymiarem reprezentującym próbki i drugim reprezentującym różnicę kosztów między wartościami nie domyślnymi a wartością domyślną.		 Opcjonalna liczba całkowita lub lista2.
min_tree_leaf_samples Minimalna liczba próbek na liść w drzewie zasad. Opcjonalna liczba całkowita, wartość domyślna to 2.
max_tree_depth Maksymalna głębokość drzewa zasad. Opcjonalna liczba całkowita, wartość domyślna to 2.
skip_cat_limit_checks Domyślnie funkcje podzielone na kategorie muszą mieć kilka wystąpień każdej kategorii, aby model był niezawodny. Ustawienie tego True ustawienia spowoduje pominięcie tych testów. Opcjonalna wartość logiczna domyślnie to False.
categories Kategorie do użycia dla kolumn kategorii. Jeśli autowartość , kategorie zostaną wywnioskowane dla wszystkich kolumn kategorii. W przeciwnym razie ten argument powinien zawierać dowolną liczbę wpisów, ponieważ istnieją kolumny podzielone na kategorie.

Każdy wpis powinien zawierać auto wywnioskować wartości dla tej kolumny lub listę wartości dla kolumny. Jeśli podano jawne wartości, pierwsza wartość jest traktowana jako wartość "control" dla tej kolumny, względem której porównano inne wartości.		 auto Opcjonalna lub lista2.
n_jobs Stopień równoległości do użycia Opcjonalna liczba całkowita, wartość domyślna to 1.
verbose Określa, czy podczas obliczeń mają być podane szczegółowe dane wyjściowe. Opcjonalna liczba całkowita, wartość domyślna to 1.
random_state Nasion dla generatora numerów pseudorandom (PRNG). Opcjonalna liczba całkowita.

2 W przypadku list parametrów: kilka parametrów akceptuje listy innych typów (ciągi, liczby, nawet inne listy). Aby przekazać je do składnika, muszą najpierw zostać zakodowane w formacie JSON w jeden ciąg.

Ten składnik ma jeden port wyjściowy, który można połączyć z jednym z insight_[n] portów wejściowych Gather RAI Insights Dashboard składnika.

  causal_01: 
    type: command 
    component: azureml://registries/azureml/components/microsoft_azureml_rai_tabular_causal/versions/<version>
    inputs: 
      rai_insights_dashboard: ${{parent.jobs.create_rai_job.outputs.rai_insights_dashboard}} 
      treatment_features: `["Number of GitHub repos contributed to", "YOE"]'

Dodawanie kontraktualistów do pulpitu nawigacyjnego USŁUGI RAI Insights

Ten składnik generuje punkty counterfactual dla dostarczonego zestawu danych testowych. Ma jeden port wejściowy, który akceptuje dane wyjściowe konstruktora pulpitu nawigacyjnego RAI Insights. Akceptuje również następujące parametry:

Nazwa parametru opis Type
total_CFs Liczba punktów counterfactual do wygenerowania dla każdego wiersza w zestawie danych testowych. Opcjonalna liczba całkowita domyślnie to 10.
method Objaśnienie dice-ml do użycia. Ciąg opcjonalny. Albo random, geneticlub kdtree. Wartość domyślna to random.
desired_class Indeks identyfikujący żądaną klasę counterfactual. W przypadku klasyfikacji binarnej należy ustawić oppositewartość . Opcjonalny ciąg lub liczba całkowita. Wartość domyślna to 0.
desired_range W przypadku problemów z regresją zidentyfikuj żądany zakres wyników. Opcjonalna lista dwóch liczb3.
permitted_range Słownik z nazwami funkcji jako kluczami i dozwolonym zakresem na liście jako wartościami. Domyślnie zakres jest wnioskowany z danych treningowych. Opcjonalny ciąg lub lista3.
features_to_vary Ciąg all lub lista nazw funkcji mogą się różnić. Opcjonalny ciąg lub lista3.
feature_importance Flaga umożliwiająca obliczanie ważności funkcji przy użyciu polecenia dice-ml. Opcjonalna wartość logiczna. Wartość domyślna to True.

3 W przypadku parametrów nieskalarnych: Parametry, które są listami lub słownikami, powinny być przekazywane jako pojedyncze ciągi zakodowane w formacie JSON.

Ten składnik ma jeden port wyjściowy, który można połączyć z jednym z insight_[n] portów wejściowych Gather RAI Insights dashboard składnika.

 counterfactual_01: 
    type: command 
    component: azureml://registries/azureml/components/microsoft_azureml_rai_tabular_counterfactual/versions/<version>
    inputs: 
      rai_insights_dashboard: ${{parent.jobs.create_rai_job.outputs.rai_insights_dashboard}} 
      total_CFs: 10 
      desired_range: "[5, 10]"

Dodawanie analizy błędów do pulpitu nawigacyjnego usługi RAI Insights

Ten składnik generuje analizę błędów dla modelu. Ma jeden port wejściowy, który akceptuje dane wyjściowe elementu RAI Insights Dashboard Constructor. Akceptuje również następujące parametry:

Nazwa parametru opis Type
max_depth Maksymalna głębokość drzewa analizy błędów. Opcjonalna liczba całkowita. Wartość domyślna to 3.
num_leaves Maksymalna liczba liści w drzewie błędów. Opcjonalna liczba całkowita. Wartość domyślna to 31.
min_child_samples Minimalna liczba punktów danych wymaganych do utworzenia liścia. Opcjonalna liczba całkowita. Domyślnie 20.
filter_features Lista jednej lub dwóch funkcji do użycia dla filtru macierzy. Opcjonalna lista, która ma zostać przekazana jako pojedynczy ciąg zakodowany w formacie JSON.

Ten składnik ma jeden port wyjściowy, który można połączyć z jednym z insight_[n] portów wejściowych Gather RAI Insights Dashboard składnika.

  error_analysis_01: 
    type: command 
    component: azureml://registries/azureml/components/microsoft_azureml_rai_tabular_erroranalysis/versions/<version>
    inputs: 
      rai_insights_dashboard: ${{parent.jobs.create_rai_job.outputs.rai_insights_dashboard}} 
      filter_features: `["style", "Employer"]'

Dodawanie wyjaśnienia do pulpitu nawigacyjnego USŁUGI RAI Insights

Ten składnik generuje wyjaśnienie modelu. Ma jeden port wejściowy, który akceptuje dane wyjściowe elementu RAI Insights Dashboard Constructor. Akceptuje pojedynczy, opcjonalny ciąg komentarza jako parametr.

Ten składnik ma jeden port wyjściowy, który można połączyć z jednym z insight_[n] portów wejściowych składnika pulpitu nawigacyjnego Zbieraj dane RAI Insights.

  explain_01: 
    type: command 
    component: azureml://registries/azureml/components/microsoft_azureml_rai_tabular_explanation/versions/<version>
    inputs: 
      comment: My comment 
      rai_insights_dashboard: ${{parent.jobs.create_rai_job.outputs.rai_insights_dashboard}}

Zbieranie pulpitu nawigacyjnego usługi RAI Insights

Ten składnik tworzy wygenerowany wgląd w pojedynczy pulpit nawigacyjny odpowiedzialnej sztucznej inteligencji. Ma pięć portów wejściowych:

  • constructor Port, który musi być połączony ze składnikiem konstruktora pulpitu nawigacyjnego RAI Insights.
  • Cztery insight_[n] porty, które można połączyć z danymi wyjściowymi składników narzędzi. Co najmniej jeden z tych portów musi być połączony.

Istnieją dwa porty wyjściowe:

  • Port dashboard zawiera ukończony RAIInsights obiekt.
  • Port ux_json zawiera dane wymagane do wyświetlenia minimalnego pulpitu nawigacyjnego.
  gather_01: 
    type: command 
    component: azureml://registries/azureml/components/microsoft_azureml_rai_tabular_insight_gather/versions/<version>
    inputs: 
      constructor: ${{parent.jobs.create_rai_job.outputs.rai_insights_dashboard}} 
      insight_1: ${{parent.jobs.causal_01.outputs.causal}} 
      insight_2: ${{parent.jobs.counterfactual_01.outputs.counterfactual}} 
      insight_3: ${{parent.jobs.error_analysis_01.outputs.error_analysis}} 
      insight_4: ${{parent.jobs.explain_01.outputs.explanation}}

Jak wygenerować kartę wyników odpowiedzialnej sztucznej inteligencji (wersja zapoznawcza)

Etap konfiguracji wymaga użycia specjalistycznej wiedzy dotyczącej danej domeny w celu ustawienia żądanych wartości docelowych dotyczących wydajności modelu i metryk sprawiedliwości.

Podobnie jak w przypadku innych składników pulpitu nawigacyjnego odpowiedzialnej sztucznej inteligencji skonfigurowanych w potoku YAML, można dodać składnik do generowania karty wyników w potoku YAML:

scorecard_01: 

   type: command 
   component: azureml:rai_score_card@latest 
   inputs: 
     dashboard: ${{parent.jobs.gather_01.outputs.dashboard}} 
     pdf_generation_config: 
       type: uri_file 
       path: ./pdf_gen.json 
       mode: download 

     predefined_cohorts_json: 
       type: uri_file 
       path: ./cohorts.json 
       mode: download

Gdzie pdf_gen.json jest plikiem json konfiguracji generacji karty wyników, a predifined_cohorts_json identyfikatorem wstępnie utworzonego pliku json definicji kohorty.

Oto przykładowy plik JSON dla definicji kohorty i konfiguracji generowania kart wyników:

Definicja kohort:

[ 
  { 
    "name": "High Yoe", 
    "cohort_filter_list": [ 
      { 
        "method": "greater", 
        "arg": [ 
          5 
        ], 
        "column": "YOE" 
      } 
    ] 
  }, 
  { 
    "name": "Low Yoe", 
    "cohort_filter_list": [ 
      { 
        "method": "less", 
        "arg": [ 
          6.5 
        ], 
        "column": "YOE" 
      } 
    ] 
  } 
]

Oto plik konfiguracji karty wyników jako przykład regresji:

{ 
  "Model": { 
    "ModelName": "GPT-2 Access", 
    "ModelType": "Regression", 
    "ModelSummary": "This is a regression model to analyze how likely a programmer is given access to GPT-2" 
  }, 
  "Metrics": { 
    "mean_absolute_error": { 
      "threshold": "<=20" 
    }, 
    "mean_squared_error": {} 
  }, 
  "FeatureImportance": { 
    "top_n": 6 
  }, 
  "DataExplorer": { 
    "features": [ 
      "YOE", 
      "age" 
    ] 
  }, 
  "Fairness": {
    "metric": ["mean_squared_error"],
    "sensitive_features": ["YOUR SENSITIVE ATTRIBUTE"],
    "fairness_evaluation_kind": "difference OR ratio"
  },
  "Cohorts": [ 
    "High Yoe", 
    "Low Yoe" 
  ]  
}

Oto plik konfiguracji generacji karty wyników jako przykład klasyfikacji:

{
  "Model": {
    "ModelName": "Housing Price Range Prediction",
    "ModelType": "Classification",
    "ModelSummary": "This model is a classifier that predicts whether the house will sell for more than the median price."
  },
  "Metrics" :{
    "accuracy_score": {
        "threshold": ">=0.85"
    },
  }
  "FeatureImportance": { 
    "top_n": 6 
  }, 
  "DataExplorer": { 
    "features": [ 
      "YearBuilt", 
      "OverallQual", 
      "GarageCars"
    ] 
  },
  "Fairness": {
    "metric": ["accuracy_score", "selection_rate"],
    "sensitive_features": ["YOUR SENSITIVE ATTRIBUTE"],
    "fairness_evaluation_kind": "difference OR ratio"
  }
}

Definicja danych wejściowych dla składnika karty wyników odpowiedzialnej sztucznej inteligencji

W tej sekcji wymieniono i zdefiniowano parametry wymagane do skonfigurowania składnika karty wyników odpowiedzialnej sztucznej inteligencji.

Model

ModelName Nazwa modelu
ModelType Wartości w kolumnie ['classification", 'regression'].
ModelSummary Wprowadź tekst podsumowujący treść modelu.

Uwaga

W przypadku klasyfikacji wieloklasowej należy najpierw użyć strategii One-vs-Rest, aby wybrać klasę referencyjną, a następnie podzielić model klasyfikacji wieloklasowej na problem klasyfikacji binarnej dla wybranej klasy referencyjnej w porównaniu z resztą klas.

Metryki

Metryka wydajności Definicja Typ modelu
accuracy_score Ułamek punktów danych sklasyfikowanych poprawnie. Klasyfikacja
precision_score Ułamek punktów danych, które są prawidłowo klasyfikowane wśród punktów sklasyfikowanych jako 1. Klasyfikacja
recall_score Ułamek punktów danych, które są prawidłowo klasyfikowane wśród tych, których prawdziwa etykieta to 1. Alternatywne nazwy: współczynnik prawdziwie dodatni, czułość. Klasyfikacja
f1_score Wynik F1 jest średnią harmoniczną precyzji i kompletności. Klasyfikacja
error_rate Odsetek wystąpień, które są błędnie sklasyfikowane w całym zestawie wystąpień. Klasyfikacja
mean_absolute_error Średnia bezwzględnych wartości błędów. Bardziej niezawodny niż mean_squared_error. Regresja
mean_squared_error Średnia błędów kwadratowych. Regresja
median_absolute_error Mediana błędów kwadratowych. Regresja
r2_score Ułamek wariancji w etykietach objaśniony przez model. Regresja

Próg: żądany próg dla wybranej metryki. Dozwolone tokeny matematyczne to >, , <>= i <=m, a następnie liczba rzeczywista. Na przykład = 0,75 oznacza, >że element docelowy dla wybranej metryki jest większy lub równy 0,75.

Ważność funkcji

top_n: liczba wyświetlanych funkcji z maksymalnie 10. Dodatnie liczby całkowite do 10 są dozwolone.

Sprawiedliwość

Jednostki metryczne Definicja
metric Podstawowa metryka sprawiedliwości oceny.
sensitive_features Lista nazw funkcji z wejściowego zestawu danych, które mają być wyznaczone jako poufne funkcje raportu dotyczącego sprawiedliwości.
fairness_evaluation_kind Wartości w kolumnie ['difference', 'ratio'].
threshold Żądane wartości docelowe oceny sprawiedliwości. Dozwolone tokeny matematyczne to >, ><, = i <=, a następnie liczba rzeczywista.
Na przykład metric="accuracy", fairness_evaluation_kind="difference".
<= 0,05 oznacza, że wartość docelowa dla różnicy dokładności jest mniejsza lub równa 0,05.

Uwaga

fairness_evaluation_kind Wybór opcji (wybranie opcji "różnica" w porównaniu z "współczynnikiem") wpływa na skalę wartości docelowej. W zaznaczeniach pamiętaj, aby wybrać znaczącą wartość docelową.

Możesz wybrać spośród następujących metryk w połączeniu z elementem fairness_evaluation_kind, aby skonfigurować składnik oceny sprawiedliwości karty wyników:

Metric fairness_evaluation_kind Definicja Typ modelu
accuracy_score różnica Maksymalna różnica w wyniku dokładności między dwoma grupami. Klasyfikacja
accuracy_score stosunek Minimalny współczynnik dokładności między dwoma grupami. Klasyfikacja
precision_score różnica Maksymalna różnica w wyniku precyzji między dwiema grupami. Klasyfikacja
precision_score stosunek Maksymalny współczynnik w wyniku precyzji między dwiema grupami. Klasyfikacja
recall_score różnica Maksymalna różnica w wyniku kompletności między dwiema grupami. Klasyfikacja
recall_score stosunek Maksymalny współczynnik w wyniku kompletności między dwiema grupami. Klasyfikacja
f1_score różnica Maksymalna różnica w wyniku f1 między dwoma grupami. Klasyfikacja
f1_score stosunek Maksymalny współczynnik w wyniku f1 między dwoma grupami. Klasyfikacja
error_rate różnica Maksymalna różnica w współczynniku błędów między dwiema grupami. Klasyfikacja
error_rate stosunek Maksymalny współczynnik błędów między dwiema grupami. Klasyfikacja
Selection_rate różnica Maksymalna różnica w współczynniku wyboru między dwiema grupami. Klasyfikacja
Selection_rate stosunek Maksymalny współczynnik współczynnika wyboru między dowolnymi dwiema grupami. Klasyfikacja
mean_absolute_error różnica Maksymalna różnica w błędzie bezwzględnym średniej między dwiema grupami. Regresja
mean_absolute_error stosunek Maksymalny współczynnik błędu bezwzględnego średniej między dwiema grupami. Regresja
mean_squared_error różnica Maksymalna różnica w błędzie średniokwadratowym między dwiema grupami. Regresja
mean_squared_error stosunek Maksymalny współczynnik błędu średniokwadratowego między dwoma grupami. Regresja
median_absolute_error różnica Maksymalna różnica w błędzie bezwzględnym mediany między dwiema grupami. Regresja
median_absolute_error stosunek Maksymalny współczynnik błędu bezwzględnego mediany między dwoma grupami. Regresja
r2_score różnica Maksymalna różnica w wyniku języka R2 między dwoma grupami. Regresja
r2_Score stosunek Maksymalny współczynnik w wyniku R2 między dwoma grupami. Regresja

Ograniczenia danych wejściowych

Jakie formaty i smaki modelu są obsługiwane?

Model musi znajdować się w katalogu MLflow z dostępnym smakiem sklearn. Ponadto model musi być ładowalny w środowisku używanym przez składniki odpowiedzialnej sztucznej inteligencji.

Jakie formaty danych są obsługiwane?

Podane zestawy danych powinny zawierać mltable dane tabelaryczne.

Następne kroki