Compartilhar via


Usar o pacote de interpretabilidade do Python para explicar os modelos de ML e previsões (versão prévia)

APLICA-SE A: SDK do Python azureml v1

Neste guia de instruções, você aprende a usar o pacote de interpretabilidade do SDK do Python do Azure Machine Learning para executar as seguintes tarefas:

  • Explique o comportamento do modelo completo ou previsões individuais em seu computador pessoal de forma local.

  • Habilite técnicas de interpretabilidade para recursos de engenharia.

  • Explique o comportamento do modelo completo e de previsões individuais no Azure.

  • Carregue explicações no histórico de execuções do Azure Machine Learning.

  • Use um painel de visualização para interagir com as explicações do modelo, tanto em um Jupyter Notebook quanto no estúdio do Azure Machine Learning.

  • Implante um explicador de pontuação com seu modelo para observar explicações durante a inferência.

Importante

Esse recurso está atualmente em visualização pública. Essa versão prévia é fornecida sem um contrato de nível de serviço e não é recomendada para cargas de trabalho de produção. Alguns recursos podem não ter suporte ou podem ter restrição de recursos.

Para obter mais informações, consulte Termos de Uso Complementares de Versões Prévias do Microsoft Azure.

Para obter mais informações sobre as técnicas de interpretabilidade com suporte e os modelos de machine learning, consulte interpretabilidade de modelos no Azure Machine Learning e Notebooks de exemplo.

Para obter orientação sobre como habilitar a interpretabilidade para modelos treinados com machine learning automatizado, consulte interpretabilidade : explicações de modelo para modelos de machine learning automatizado (versão prévia).

Gerar valor de importância do recurso em seu computador pessoal

O exemplo a seguir mostra como usar o pacote de interpretabilidade em seu computador pessoal sem contatar os serviços do Azure.

  1. Instale o pacote azureml-interpret.

    pip install azureml-interpret
    
  2. Treine um modelo de exemplo em um Jupyter Notebook local.

    # load breast cancer dataset, a well-known small dataset that comes with scikit-learn
    from sklearn.datasets import load_breast_cancer
    from sklearn import svm
    from sklearn.model_selection import train_test_split
    breast_cancer_data = load_breast_cancer()
    classes = breast_cancer_data.target_names.tolist()
    
    # split data into train and test
    from sklearn.model_selection import train_test_split
    x_train, x_test, y_train, y_test = train_test_split(breast_cancer_data.data,            
                                                        breast_cancer_data.target,  
                                                        test_size=0.2,
                                                        random_state=0)
    clf = svm.SVC(gamma=0.001, C=100., probability=True)
    model = clf.fit(x_train, y_train)
    
  3. Chame o explicador localmente.

    • Para inicializar um objeto de explicador, passe seu modelo e alguns dados de treinamento para o construtor do explicador.
    • Para tornar suas explicações e visualizações mais informativas, você pode optar por passar nomes de recursos e nomes de classe de saída se estiver fazendo a classificação.

    Os blocos de código a seguir mostram como criar uma instância de um objeto de explicador com TabularExplainer, MimicExplainer e PFIExplainer localmente.

    • TabularExplainer chama um dos três explicadores SHAP abaixo (TreeExplainer, DeepExplainer ou KernelExplainer).
    • TabularExplainer seleciona automaticamente o mais apropriado para seu caso de uso, mas você pode chamar cada um dos seus três explicadores subjacentes diretamente.
    from interpret.ext.blackbox import TabularExplainer
    
    # "features" and "classes" fields are optional
    explainer = TabularExplainer(model, 
                                 x_train, 
                                 features=breast_cancer_data.feature_names, 
                                 classes=classes)
    

    ou

    
    from interpret.ext.blackbox import MimicExplainer
    
    # you can use one of the following four interpretable models as a global surrogate to the black box model
    
    from interpret.ext.glassbox import LGBMExplainableModel
    from interpret.ext.glassbox import LinearExplainableModel
    from interpret.ext.glassbox import SGDExplainableModel
    from interpret.ext.glassbox import DecisionTreeExplainableModel
    
    # "features" and "classes" fields are optional
    # augment_data is optional and if true, oversamples the initialization examples to improve surrogate model accuracy to fit original model.  Useful for high-dimensional data where the number of rows is less than the number of columns.
    # max_num_of_augmentations is optional and defines max number of times we can increase the input data size.
    # LGBMExplainableModel can be replaced with LinearExplainableModel, SGDExplainableModel, or DecisionTreeExplainableModel
    explainer = MimicExplainer(model, 
                               x_train, 
                               LGBMExplainableModel, 
                               augment_data=True, 
                               max_num_of_augmentations=10, 
                               features=breast_cancer_data.feature_names, 
                               classes=classes)
    

    ou

    from interpret.ext.blackbox import PFIExplainer
    
    # "features" and "classes" fields are optional
    explainer = PFIExplainer(model,
                             features=breast_cancer_data.feature_names, 
                             classes=classes)
    

Explicar o comportamento do modelo completo (explicação global)

Consulte o exemplo a seguir para obter ajuda sobre como extrair os valores de importância do recurso agregados (global).


# you can use the training data or the test data here, but test data would allow you to use Explanation Exploration
global_explanation = explainer.explain_global(x_test)

# if you used the PFIExplainer in the previous step, use the next line of code instead
# global_explanation = explainer.explain_global(x_train, true_labels=y_train)

# sorted feature importance values and feature names
sorted_global_importance_values = global_explanation.get_ranked_global_values()
sorted_global_importance_names = global_explanation.get_ranked_global_names()
dict(zip(sorted_global_importance_names, sorted_global_importance_values))

# alternatively, you can print out a dictionary that holds the top K feature names and values
global_explanation.get_feature_importance_dict()

Explicar uma previsão individual (explicação local)

Obtenha os valores de importância de um recurso individual de diferentes pontos de dados ao chamar explicações para uma instância individual ou um grupo de instâncias.

Observação

PFIExplainer não oferece suporte a explicações locais.

# get explanation for the first data point in the test set
local_explanation = explainer.explain_local(x_test[0:5])

# sorted feature importance values and feature names
sorted_local_importance_names = local_explanation.get_ranked_local_names()
sorted_local_importance_values = local_explanation.get_ranked_local_values()

Transformações de recursos brutos

Você pode optar por obter explicações em termos de recursos brutos, não transformados, em vez de recursos de engenharia. Para essa opção, você passa seu pipeline de transformação de recurso para o explicador em train_explain.py. Caso contrário, o explicador fornece explicações em termos de recursos de engenharia.

O formato das transformações com suporte é o mesmo descrito em sklearn-pandas. Em geral, há suporte para todas as transformações, desde que elas operem em uma só coluna, para que fique claro que elas são um-para-muitos.

Obtenha uma explicação para recursos brutos usando um sklearn.compose.ColumnTransformer ou com uma lista de tuplas de transformador ajustadas. O exemplo a seguir usa sklearn.compose.ColumnTransformer.

from sklearn.compose import ColumnTransformer

numeric_transformer = Pipeline(steps=[
    ('imputer', SimpleImputer(strategy='median')),
    ('scaler', StandardScaler())])

categorical_transformer = Pipeline(steps=[
    ('imputer', SimpleImputer(strategy='constant', fill_value='missing')),
    ('onehot', OneHotEncoder(handle_unknown='ignore'))])

preprocessor = ColumnTransformer(
    transformers=[
        ('num', numeric_transformer, numeric_features),
        ('cat', categorical_transformer, categorical_features)])

# append classifier to preprocessing pipeline.
# now we have a full prediction pipeline.
clf = Pipeline(steps=[('preprocessor', preprocessor),
                      ('classifier', LogisticRegression(solver='lbfgs'))])


# clf.steps[-1][1] returns the trained classification model
# pass transformation as an input to create the explanation object
# "features" and "classes" fields are optional
tabular_explainer = TabularExplainer(clf.steps[-1][1],
                                     initialization_examples=x_train,
                                     features=dataset_feature_names,
                                     classes=dataset_classes,
                                     transformations=preprocessor)

Caso você queira executar o exemplo com a lista de tuplas de transformador ajustadas, use o seguinte código:

from sklearn.pipeline import Pipeline
from sklearn.impute import SimpleImputer
from sklearn.preprocessing import StandardScaler, OneHotEncoder
from sklearn.linear_model import LogisticRegression
from sklearn_pandas import DataFrameMapper

# assume that we have created two arrays, numerical and categorical, which holds the numerical and categorical feature names

numeric_transformations = [([f], Pipeline(steps=[('imputer', SimpleImputer(
    strategy='median')), ('scaler', StandardScaler())])) for f in numerical]

categorical_transformations = [([f], OneHotEncoder(
    handle_unknown='ignore', sparse=False)) for f in categorical]

transformations = numeric_transformations + categorical_transformations

# append model to preprocessing pipeline.
# now we have a full prediction pipeline.
clf = Pipeline(steps=[('preprocessor', DataFrameMapper(transformations)),
                      ('classifier', LogisticRegression(solver='lbfgs'))])

# clf.steps[-1][1] returns the trained classification model
# pass transformation as an input to create the explanation object
# "features" and "classes" fields are optional
tabular_explainer = TabularExplainer(clf.steps[-1][1],
                                     initialization_examples=x_train,
                                     features=dataset_feature_names,
                                     classes=dataset_classes,
                                     transformations=transformations)

Gerar valores de importância do recurso por meio de execuções remotas

O exemplo a seguir mostra como você pode usar a classe ExplanationClient para habilitar a interpretabilidade de modelo para execuções remotas. Ela é conceitualmente semelhante ao processo local, exceto que você:

  • Usará o ExplanationClient na execução remota para carregar o contexto de interpretabilidade.
  • Baixará o contexto posteriormente em um ambiente local.
  1. Instale o pacote azureml-interpret.

    pip install azureml-interpret
    
  2. Crie um script de treinamento em um Jupyter Notebook local. Por exemplo, train_explain.py.

    from azureml.interpret import ExplanationClient
    from azureml.core.run import Run
    from interpret.ext.blackbox import TabularExplainer
    
    run = Run.get_context()
    client = ExplanationClient.from_run(run)
    
    # write code to get and split your data into train and test sets here
    # write code to train your model here 
    
    # explain predictions on your local machine
    # "features" and "classes" fields are optional
    explainer = TabularExplainer(model, 
                                 x_train, 
                                 features=feature_names, 
                                 classes=classes)
    
    # explain overall model predictions (global explanation)
    global_explanation = explainer.explain_global(x_test)
    
    # uploading global model explanation data for storage or visualization in webUX
    # the explanation can then be downloaded on any compute
    # multiple explanations can be uploaded
    client.upload_model_explanation(global_explanation, comment='global explanation: all features')
    # or you can only upload the explanation object with the top k feature info
    #client.upload_model_explanation(global_explanation, top_k=2, comment='global explanation: Only top 2 features')
    
  3. Configure uma Computação do Azure Machine Learning como seu destino de computação e envie sua execução de treinamento. Consulte Criar e gerenciar clusters de computação do Azure Machine Learning para obter instruções. Os notebooks de exemplo também podem ser úteis.

  4. Baixe a explicação em seu Jupyter Notebook local.

    from azureml.interpret import ExplanationClient
    
    client = ExplanationClient.from_run(run)
    
    # get model explanation data
    explanation = client.download_model_explanation()
    # or only get the top k (e.g., 4) most important features with their importance values
    explanation = client.download_model_explanation(top_k=4)
    
    global_importance_values = explanation.get_ranked_global_values()
    global_importance_names = explanation.get_ranked_global_names()
    print('global importance values: {}'.format(global_importance_values))
    print('global importance names: {}'.format(global_importance_names))
    

Visualizações

Depois de baixar as explicações no Jupyter Notebook local, você pode usar as visualizações no painel de explicações para entender e interpretar seu modelo. Para carregar o widget do painel de explicações em seu Jupyter Notebook, use o seguinte código:

from raiwidgets import ExplanationDashboard

ExplanationDashboard(global_explanation, model, datasetX=x_test)

As visualizações dão suporte a explicações em recursos brutos e de engenharia. As explicações brutas baseiam-se nos recursos do conjunto de dados original e as explicações de engenharia são baseadas nos recursos do conjunto de dados com engenharia de recursos aplicada.

Ao tentar interpretar um modelo relacionado ao conjunto de dados original, é recomendável usar explicações brutas, uma vez que cada importância de recurso corresponderá a uma coluna do conjunto de dados original. Um cenário em que explicações de engenharia pode ser útil é ao examinar o impacto de categorias individuais de um recurso categórico. Se uma codificação one-hot for aplicada a um recurso categórico, as explicações de engenharia resultantes incluirão um valor de importância diferente por categoria, um por recurso de engenharia one-hot. Essa codificação pode ser útil ao restringir qual parte do conjunto de dados é mais informativa para o modelo.

Observação

As explicações brutas e de engenharia são calculadas sequencialmente. Primeiro, uma explicação de engenharia é criada com base no modelo e no pipeline de definição de recursos. Em seguida, a explicação bruta é criada com base nessa explicação de engenharia agregando a importância dos recursos de engenharia originados do mesmo recurso bruto.

Criar, editar e exibir coortes de conjuntos de dados

A faixa de opções superior mostra as estatísticas gerais em seu modelo e dados. Você pode dividir os dados em coortes de conjuntos de dados, ou subgrupos, para investigar ou comparar o desempenho e as explicações do modelo entre esses subgrupos definidos. Comparando as estatísticas e explicações do conjunto de dados entre esses subgrupos, você pode ter uma noção dos motivos que levam a possíveis erros em um grupo em vez de outro.

Criando, editando e exibindo coortes de conjuntos de dados

Entender o comportamento do modelo completo (explicação global)

As primeiras três guias do painel de explicação fornecem uma análise geral do modelo treinado com suas previsões e explicações.

Desempenho do modelo

Avalie o desempenho do seu modelo explorando a distribuição de seus valores de previsão e os valores das métricas de desempenho do seu modelo. Você pode investigar melhor seu modelo examinando uma análise comparativa de seu desempenho em diferentes coortes ou subgrupos de seu conjunto de dados. Selecione filtros ao longo do valor Y e do valor X para cortar em diferentes dimensões. Exiba métricas como exatidão, precisão, recall, FPR (taxa de falsos positivos) e FNR (taxa de falsos negativos).

Guia de desempenho do modelo na visualização de explicação

Explorador do conjunto de dados

Explore as estatísticas do conjunto de dados selecionando filtros diferentes nos eixos X, Y e de cor para dividir os dados em dimensões diferentes. Crie as coortes de conjuntos de dados acima para analisar as estatísticas de conjunto de resultados com filtros como resultado previsto, recursos de conjunto de dados e grupos de erros. Use o ícone de engrenagem no canto superior direito do gráfico para alterar os tipos de gráfico.

Guia do explorador de conjuntos de dados na visualização de explicação

Importância do recurso agregada

Explore os principais recursos importantes que afetam as previsões gerais do modelo (também conhecidas como explicação global). Use o controle deslizante para mostrar valores de importância do recurso em ordem decrescente. Selecione até três coortes para ver os valores de importância do recurso lado a lado. Selecione qualquer uma das barras de recursos no gráfico para ver como os valores do recurso selecionado afetam a previsão do modelo no gráfico de dependência abaixo.

Guia de importância do recurso agregada na visualização de explicação

Entender previsões individuais (explicação local)

A quarta guia da guia de explicação permite que você faça uma análise de um ponto de dados individual e suas importâncias de recursos individuais. Você pode carregar o gráfico de importância do recurso individual em relação a qualquer ponto de dados clicando em qualquer um dos pontos de dados individuais no gráfico de dispersão principal ou selecionando um ponto de dados específico no assistente de painel à direita.

Plotar Descrição
Importância do recurso individual Mostra os principais recursos importantes para uma previsão individual. Ajuda a ilustrar o comportamento local do modelo subjacente em um ponto de dados específico.
Teste de hipóteses Permite alterações nos valores de recursos do ponto de dados real selecionado e observa as alterações resultantes no valor de previsão, gerando um ponto de dados hipotético com os novos valores de recurso.
Gráfico de expectativa condicional individual (ICE) Permite alterações de valor de recurso de um valor mínimo para um valor máximo. Ajuda a ilustrar como a previsão do ponto de dados é alterada quando um recurso é alterado.

Importância do recurso individual e guia What-If no painel de explicação

Observação

Essas são explicações baseadas em muitas aproximações e não são a "causa" de previsões. Sem a robustez matemática estrita da inferência causal, não aconselhamos os usuários a tomar decisões reais com base nas perturbações do recurso da ferramenta What-If. Essa ferramenta é usada principalmente para entender o modelo e para depuração.

Visualização no Estúdio do Azure Machine Learning

Se você concluir as etapas de interpretabilidade remota (carregando explicações geradas para o histórico de execuções do Azure Machine Learning), poderá exibir as visualizações no painel de explicações no Estúdio do Azure Machine Learning. Esse painel é uma versão mais simples do widget de painel gerado no seu Jupyter Notebook. A geração de pontos de dados hipotéticos e os gráficos ICE estão desabilitados, pois não há computação ativa no estúdio do Azure Machine Learning que possa executar cálculos em tempo real.

Se as explicações globais, locais e de conjunto de dados estiverem disponíveis, os dados preencherão todas as guias. No entanto, se apenas uma explicação global estiver disponível, a guia de importância do recurso individual será desabilitada.

Siga um destes caminhos para acessar o painel de explicações no Estúdio do Azure Machine Learning:

  • Painel de Experimentos (versão prévia)

    1. Escolha Experimentos no painel esquerdo para ver uma lista de experimentos que você executou no Azure Machine Learning.
    2. Escolha um experimento específico para exibir todas as execuções nesse experimento.
    3. Escolha uma execução e, em seguida, a guia Explicações para o painel de visualização da explicação.

    Painel de visualização com a Agregação da Importância do Recurso no Estúdio do Azure Machine Learning em experimentos

  • Painel de Modelos

    1. Se você registrou seu modelo original seguindo as etapas em Implantar modelos com Azure Machine Learning, você pode selecionar Modelos no painel esquerdo para exibi-lo.
    2. Selecione um modelo e, depois, a guia Explicações para exibir o painel de visualização de explicações.

Interpretabilidade no tempo de inferência

Você pode implantar o explicador com o modelo original e usá-lo no momento da inferência para fornecer os valores de importância do recurso individual (explicação local) para qualquer novo ponto de dados. Também oferecemos explicadores de pontuação mais leves para melhorar o desempenho da interpretabilidade no tempo de inferência, que atualmente tem suporte apenas no SDK do Azure Machine Learning. O processo de implantação de um explicador de pontuação mais leve é semelhante à implantação de um modelo e inclui as seguintes etapas:

  1. Crie um objeto de explicação. Por exemplo, você pode usar TabularExplainer:

     from interpret.ext.blackbox import TabularExplainer
    
    
    explainer = TabularExplainer(model, 
                                 initialization_examples=x_train, 
                                 features=dataset_feature_names, 
                                 classes=dataset_classes, 
                                 transformations=transformations)
    
  2. Crie um explicador de pontuação com o objeto de explicação.

    from azureml.interpret.scoring.scoring_explainer import KernelScoringExplainer, save
    
    # create a lightweight explainer at scoring time
    scoring_explainer = KernelScoringExplainer(explainer)
    
    # pickle scoring explainer
    # pickle scoring explainer locally
    OUTPUT_DIR = 'my_directory'
    save(scoring_explainer, directory=OUTPUT_DIR, exist_ok=True)
    
  3. Configure e registre uma imagem que use o modelo do explicador de pontuação.

    # register explainer model using the path from ScoringExplainer.save - could be done on remote compute
    # scoring_explainer.pkl is the filename on disk, while my_scoring_explainer.pkl will be the filename in cloud storage
    run.upload_file('my_scoring_explainer.pkl', os.path.join(OUTPUT_DIR, 'scoring_explainer.pkl'))
    
    scoring_explainer_model = run.register_model(model_name='my_scoring_explainer', 
                                                 model_path='my_scoring_explainer.pkl')
    print(scoring_explainer_model.name, scoring_explainer_model.id, scoring_explainer_model.version, sep = '\t')
    
  4. Como uma etapa opcional, você pode recuperar o explicador de pontuação da nuvem e testar as explicações.

    from azureml.interpret.scoring.scoring_explainer import load
    
    # retrieve the scoring explainer model from cloud"
    scoring_explainer_model = Model(ws, 'my_scoring_explainer')
    scoring_explainer_model_path = scoring_explainer_model.download(target_dir=os.getcwd(), exist_ok=True)
    
    # load scoring explainer from disk
    scoring_explainer = load(scoring_explainer_model_path)
    
    # test scoring explainer locally
    preds = scoring_explainer.explain(x_test)
    print(preds)
    
  5. Implante a imagem em um destino de computação, seguindo estas etapas:

    1. Se necessário, registre o modelo de previsão original seguindo as etapas em Implantar modelos com o Azure Machine Learning.

    2. Crie um arquivo de pontuação.

      %%writefile score.py
      import json
      import numpy as np
      import pandas as pd
      import os
      import pickle
      from sklearn.externals import joblib
      from sklearn.linear_model import LogisticRegression
      from azureml.core.model import Model
      
      def init():
      
         global original_model
         global scoring_model
      
         # retrieve the path to the model file using the model name
         # assume original model is named original_prediction_model
         original_model_path = Model.get_model_path('original_prediction_model')
         scoring_explainer_path = Model.get_model_path('my_scoring_explainer')
      
         original_model = joblib.load(original_model_path)
         scoring_explainer = joblib.load(scoring_explainer_path)
      
      def run(raw_data):
         # get predictions and explanations for each data point
         data = pd.read_json(raw_data)
         # make prediction
         predictions = original_model.predict(data)
         # retrieve model explanations
         local_importance_values = scoring_explainer.explain(data)
         # you can return any data type as long as it is JSON-serializable
         return {'predictions': predictions.tolist(), 'local_importance_values': local_importance_values}
      
    3. Defina a configuração de implantação.

      Essa configuração depende dos requisitos do seu modelo. O exemplo a seguir define uma configuração que usa um núcleo da CPU e um GB de memória.

      from azureml.core.webservice import AciWebservice
      
       aciconfig = AciWebservice.deploy_configuration(cpu_cores=1,
                                                 memory_gb=1,
                                                 tags={"data": "NAME_OF_THE_DATASET",
                                                       "method" : "local_explanation"},
                                                 description='Get local explanations for NAME_OF_THE_PROBLEM')
      
    4. Crie um arquivo com dependências de ambiente.

      from azureml.core.conda_dependencies import CondaDependencies
      
      # WARNING: to install this, g++ needs to be available on the Docker image and is not by default (look at the next cell)
      
      azureml_pip_packages = ['azureml-defaults', 'azureml-core', 'azureml-telemetry', 'azureml-interpret']
      
      
      # specify CondaDependencies obj
      myenv = CondaDependencies.create(conda_packages=['scikit-learn', 'pandas'],
                                       pip_packages=['sklearn-pandas'] + azureml_pip_packages,
                                       pin_sdk_version=False)
      
      
      with open("myenv.yml","w") as f:
         f.write(myenv.serialize_to_string())
      
      with open("myenv.yml","r") as f:
         print(f.read())
      
    5. Crie um dockerfile personalizado com o g++ instalado.

      %%writefile dockerfile
      RUN apt-get update && apt-get install -y g++
      
    6. Implante a imagem criada.

      Esse processo leva aproximadamente cinco minutos.

      from azureml.core.webservice import Webservice
      from azureml.core.image import ContainerImage
      
      # use the custom scoring, docker, and conda files we created above
      image_config = ContainerImage.image_configuration(execution_script="score.py",
                                                      docker_file="dockerfile",
                                                      runtime="python",
                                                      conda_file="myenv.yml")
      
      # use configs and models generated above
      service = Webservice.deploy_from_model(workspace=ws,
                                          name='model-scoring-service',
                                          deployment_config=aciconfig,
                                          models=[scoring_explainer_model, original_model],
                                          image_config=image_config)
      
      service.wait_for_deployment(show_output=True)
      
  6. Teste a implantação.

    import requests
    
    # create data to test service with
    examples = x_list[:4]
    input_data = examples.to_json()
    
    headers = {'Content-Type':'application/json'}
    
    # send request to service
    resp = requests.post(service.scoring_uri, input_data, headers=headers)
    
    print("POST to url", service.scoring_uri)
    # can covert back to Python objects from json string if desired
    print("prediction:", resp.text)
    
  7. Limpar.

    Para excluir um serviço Web implantado, use service.delete().

Solução de problemas

  • Dados esparsos sem suporte: o painel de explicação do modelo explica/desacelera substancialmente com um grande número de recursos; portanto, no momento, não há suporte para o formato de dados esparsos. Além disso, problemas gerais de memória surgirão com grandes conjuntos de dados e um grande número de recursos.

  • Matriz de recursos de explicações com suporte

Guia de explicação com suporte Recursos brutos (denso) Recursos brutos (esparsos) Recursos de engenharia (denso) Recursos de engenharia (esparsos)
Desempenho do modelo Com suporte (sem previsão) Com suporte (sem previsão) Com suporte Com suporte
Explorador do conjunto de dados Com suporte (sem previsão) Não há suporte. Já que os dados esparsos não são carregados e a interface do usuário tem problemas ao renderizar dados esparsos. Com suporte Não há suporte. Já que os dados esparsos não são carregados e a interface do usuário tem problemas ao renderizar dados esparsos.
Importância do recurso agregada Com suporte Compatível Compatível Com suporte
Importância do recurso individual Com suporte (sem previsão) Não há suporte. Já que os dados esparsos não são carregados e a interface do usuário tem problemas ao renderizar dados esparsos. Com suporte Não há suporte. Já que os dados esparsos não são carregados e a interface do usuário tem problemas ao renderizar dados esparsos.
  • Modelos de previsão sem suporte com explicações de modelo: a interpretabilidade, a melhor explicação do modelo, não está disponível para experimentos de previsão AutoML que recomendam os seguintes algoritmos como o melhor modelo: TCNForecaster, AutoArima, Prophet, ExponentialSmoothing, Average, Naive, Seasonal Average e Seasonal Naive. Modelos de regressão de previsão de AutoML são compatíveis com explicações. No entanto, no painel de explicação, a guia "Importância do recurso individual" não tem compatibilidade com previsão devido à complexidade em seus pipelines de dados.

  • Explicação local para o índice de dados: o painel de explicação não oferece suporte à relação de valores de importância local para um identificador de linha do conjunto de dados de validação original caso esse conjunto de dados seja maior do que 5.000 pontos de dados, já que o painel reduz a taxa de amostragem dos dados aleatoriamente. No entanto, o painel mostra os valores de recurso do conjunto de dados bruto para cada ponto de dados que passou para o painel na guia Importância do recurso individual. Os usuários podem mapear as importâncias locais de volta para o conjunto de dados original por meio da correspondência dos valores de recurso do conjunto de dados bruto. Se o tamanho do conjunto de dados de validação for inferior a cinco mil amostras, o recurso index do Estúdio do Azure Machine Learning corresponderá ao índice no conjunto de dados de validação.

  • Não há suporte para gráficos hipotéticos/ICE no estúdio: gráficos ICE (expectativa condicional individual) e hipotéticos não são compatíveis com o estúdio do Azure Machine Learning na guia Explicações, pois a explicação carregada precisa de uma computação ativa para recalcular previsões e probabilidades de recursos com perturbação. No momento, é compatível com Jupyter Notebooks quando executado como widget usando o SDK.

Próximas etapas

Técnicas para interpretabilidade de modelo no Azure Machine Learning

Confira os notebooks de exemplo de interpretabilidade do Azure Machine Learning