YAML ve Python ile Sorumlu yapay zeka içgörüleri oluşturma

Makale
02.09.2024

ŞUNLAR IÇIN GEÇERLIDIR: Azure CLI ml uzantısı v2 (geçerli)Python SDK azure-ai-ml v2 (geçerli)

Sorumlu yapay zeka bileşenlerini kullanarak bir işlem hattı işi aracılığıyla Sorumlu yapay zeka panosu ve karne oluşturabilirsiniz. Sorumlu AI panoları oluşturmaya yönelik birkaç yardımcı bileşen ile birlikte altı temel bileşen vardır. Örnek bir deneme grafı aşağıda verilmişti:

Sorumlu yapay zeka bileşenleri

Azure Machine Learning'de Sorumlu Yapay Zeka panosunu oluşturmak için temel bileşenler şunlardır:

RAI Insights dashboard constructor
Araç bileşenleri:
- 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

RAI Insights dashboard constructor ile Gather RAI Insights dashboard bileşenleri ve en az bir araç bileşeni her zaman gereklidir. Ancak, her Sorumlu yapay zeka panosundaki tüm araçları kullanmak gerekli değildir.

Aşağıdaki bölümlerde, YaML ve Python'da Sorumlu Yapay Zeka bileşenlerinin belirtimleri ve kod parçacıkları örnekleri verilmiştir.

Önemli

Bu makalede işaretlenen (önizleme) öğeler şu anda genel önizleme aşamasındadır. Önizleme sürümü bir hizmet düzeyi sözleşmesi olmadan sağlanır ve üretim iş yükleri için önerilmez. Bazı özellikler desteklenmiyor olabileceği gibi özellikleri sınırlandırılmış da olabilir. Daha fazla bilgi için bkz. Microsoft Azure Önizlemeleri Ek Kullanım Koşulları.

Sınırlamalar

Geçerli bileşen kümesinin kullanımlarıyla ilgili birçok sınırlaması vardır:

Tüm modellerin Azure Machine Learning'de MLflow biçiminde bir sklearn (scikit-learn) tadıyla kaydedilmesi gerekir.
Modellerin bileşen ortamına yüklenebilmesi gerekir.
Modeller turşulu olmalıdır.
Modeller, sağladığımız bileşen kullanılarak Sorumlu yapay zeka bileşenlerine Fetch Registered Model sağlanmalıdır.
Veri kümesi girişleri biçiminde olmalıdır mltable .
Yalnızca verilerin nedensel analizi gerçekleştirilse bile bir model sağlanmalıdır. Bu amaçla scikit-learn'den ve DummyRegressor tahmin aracılarını kullanabilirsinizDummyClassifier.

R Yapay Zeka İçgörüleri pano oluşturucu

Bu bileşenin üç giriş bağlantı noktası vardır:

Makine öğrenmesi modeli
Eğitim veri kümesi
Test veri kümesi

Hata analizi ve Model açıklamaları gibi bileşenlerle model hata ayıklama içgörüleri oluşturmak için modelinizi eğitirken kullandığınız eğitim ve test veri kümesini kullanın. Model gerektirmeyen nedensel analiz gibi bileşenler için, nedensel içgörüleri oluşturmak üzere nedensel modeli eğitmek için eğitim veri kümesini kullanırsınız. Sorumlu yapay zeka panosu görselleştirmelerinizi doldurmak için test veri kümesini kullanırsınız.

Modeli sağlamanın en kolay yolu, giriş modelini kaydetmek ve bu makalenin devamında ele aldığımız bileşenin RAI Insight Constructor model giriş bağlantı noktasına aynı modele başvurmaktır.

Not

Şu anda yalnızca MLflow biçiminde ve bir sklearn çeşite sahip modeller desteklenmektedir.

İki veri kümesinin biçiminde olması mltable gerekir. Sağlanan eğitim ve test veri kümelerinin modeli eğitmek için kullanılan veri kümeleri ile aynı olması gerekmez, ancak bunlar aynı olabilir. Varsayılan olarak, performans nedeniyle test veri kümesi görselleştirme kullanıcı arabiriminin 5.000 satırıyla sınırlıdır.

Oluşturucu bileşeni aşağıdaki parametreleri de kabul eder:

Parametre adı	Açıklama	Tür
`title`	Panonun kısa açıklaması.	String
`task_type`	Modelin sınıflandırma, regresyon veya tahmin için olup olmadığını belirtir.	Dize, `classification`, `regression`veya `forecasting`
`target_column_name`	Modelin tahmin etmeye çalıştığı giriş veri kümelerindeki sütunun adı.	String
`maximum_rows_for_test_dataset`	Performans nedeniyle test veri kümesinde izin verilen en fazla satır sayısı.	Tamsayı, varsayılan olarak 5.000'e ayarlanır
`categorical_column_names`	Veri kümelerindeki, kategorik verileri temsil eden sütunlar.	İsteğe bağlı dize listesi¹
`classes`	Eğitim veri kümesindeki sınıf etiketlerinin tam listesi.	İsteğe bağlı dize listesi¹
`feature_metadata`	Görev türüne bağlı olarak panonun ihtiyaç duyabileceği ek bilgileri belirtir. Tahmin için bu, hangi sütunun sütun olduğunu ve hangi sütunun `datetime` sütun olduğunu belirtmeyi `time_series_id` içerir. Görüntü işleme için bu, bir görüntünün ortalama piksel değerini veya konum verilerini içerebilir.	İsteğe bağlı dize listesi¹
`use_model_dependency`	MODELIn RAI panosuyla çakışan bağımlılıklar nedeniyle içinde ayrı bir docker kapsayıcısı kullanılmasını gerektirip gerektirmediğini belirtir. Tahmin için bunun etkinleştirilmesi gerekir. Genellikle diğer senaryolarda bu etkinleştirilmez.	Boolean

¹ Listeler , , classesfeature_metadata girişleri için categorical_column_namestek bir JSON ile kodlanmış dize olarak sağlanmalıdır.

Oluşturucu bileşeninin adlı rai_insights_dashboardtek bir çıkışı vardır. Bu, tek tek araç bileşenlerinin üzerinde çalıştığı boş bir panodur. Tüm sonuçlar sonunda bileşen tarafından Gather RAI Insights dashboard bir araya getirilir.

YAML
Python SDK'sı

yml

 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"]'

Önce bileşeni yükleyin:

Python

# First load the component:

        rai_constructor_component = ml_client_registry.components.get(name="microsoft_azureml_rai_tabular_insight_constructor", label="latest")

#Then inside the pipeline:

            construct_job = rai_constructor_component( 
                title="From Python", 
                task_type="classification", 
                model_input= model_input= Input(type=AssetTypes.MLFLOW_MODEL, path="<azureml:model_name:model_id>"),
                train_dataset=train_data, 
                test_dataset=test_data, 
                target_column_name=target_column_name, 
                categorical_column_names='["location", "style", "job title", "OS", "Employer", "IDE", "Programming language"]', 
                maximum_rows_for_test_dataset=5000, 
                classes="[]", 
            )

R Yapay Zeka İçgörüleri panosuna Nedensel ekleme

Bu bileşen, sağlanan veri kümelerinde nedensel analiz gerçekleştirir. Çıkışını RAI Insights dashboard constructorkabul eden tek bir giriş bağlantı noktası vardır. Ayrıca aşağıdaki parametreleri kabul eder:

Parametre adı	Açıklama	yazın
`treatment_features`	Farklı sonuçlar elde etmek için "işlenebilir" olabilecek veri kümelerindeki özellik adlarının listesi.	Dizelerin^{listesi 2}.
`heterogeneity_features`	"İşlem yapılabilir" özelliklerin nasıl davrandığını etkileyebilecek veri kümelerindeki özellik adlarının listesi. Varsayılan olarak, tüm özellikler dikkate alınır.	İsteğe bağlı dize listesi².
`nuisance_model`	İşlem özelliklerini değiştirmenin sonucunu tahmin etmek için kullanılan model.	İsteğe bağlı dize. varsayılan olarak `linear`veya `AutoML`olmalıdır`linear`.
`heterogeneity_model`	Heterojenlik özelliklerinin sonuç üzerindeki etkisini tahmin etmek için kullanılan model.	İsteğe bağlı dize. varsayılan olarak `linear`veya `forest`olmalıdır`linear`.
`alpha`	Güvenilirlik aralıklarının güvenilirlik düzeyi.	İsteğe bağlı kayan nokta numarası, varsayılan olarak 0,05'tir.
`upper_bound_on_cat_expansion`	Kategorik özelliklerin maksimum genişlemesi.	İsteğe bağlı tamsayı, varsayılan olarak 50'ye ayarlanır.
`treatment_cost`	Tedavilerin maliyeti. 0 ise, tüm tedavilerin maliyeti sıfır olacaktır. Bir liste geçirilirse, her öğe öğesinden `treatment_features`birine uygulanır. Her öğe, bu işlemi uygulamanın sabit maliyetini veya her örneğin maliyetini gösteren bir diziyi göstermek için bir skaler değer olabilir. İşlem ayrık bir işlemse, bu özelliğin dizisi iki boyutlu olmalıdır; ilk boyut örnekleri, ikincisi ise varsayılan olmayan değerler ile varsayılan değer arasındaki maliyet farkını temsil eder.	İsteğe bağlı tamsayı veya liste².
`min_tree_leaf_samples`	İlke ağacında yaprak başına en az örnek sayısı.	İsteğe bağlı tamsayı, varsayılan olarak 2'ye ayarlanır.
`max_tree_depth`	İlke ağacının en büyük derinliği.	İsteğe bağlı tamsayı, varsayılan olarak 2'ye ayarlanır.
`skip_cat_limit_checks`	Varsayılan olarak, bir modelin sağlam bir şekilde sığdırılabilmesi için kategorik özelliklerin her kategorinin birkaç örneğine sahip olması gerekir. Bunu olarak `True` ayarlamak bu denetimleri atlar.	İsteğe bağlı Boole değeri, varsayılan olarak olarak `False`gösterilir.
`categories`	Kategorik sütunlar için kullanılacak kategoriler. ise `auto`, kategoriler tüm kategorik sütunlar için çıkarılır. Aksi takdirde, bu bağımsız değişkenin kategorik sütun sayısı kadar girdisi olmalıdır. Her girdi, bu sütunun değerlerini veya sütunun değer listesini çıkarsamak için olmalıdır `auto` . Açık değerler sağlanırsa, ilk değer, diğer değerlerin karşılaştırıldığı sütun için "denetim" değeri olarak değerlendirilir.	`auto` İsteğe bağlı veya liste².
`n_jobs`	Kullanılacak paralellik derecesi.	İsteğe bağlı tamsayı, varsayılan olarak 1'e ayarlanır.
`verbose`	Hesaplama sırasında ayrıntılı çıkış sağlanıp sağlanmayacağını ifade eder.	İsteğe bağlı tamsayı, varsayılan olarak 1'e ayarlanır.
`random_state`	Sahte sayı oluşturucu (PRNG) için tohum.	İsteğe bağlı tamsayı.

² Parametreler için list : Parametrelerin birkaçı diğer tür listelerini (dizeler, sayılar, hatta diğer listeler) kabul eder. Bunları bileşene geçirmek için önce JSON ile tek bir dizeye kodlanmış olmaları gerekir.

Bu bileşen, bileşenin giriş bağlantı noktalarından insight_[n] birine bağlanabilen tek bir çıkış bağlantı noktasına Gather RAI Insights Dashboard sahiptir.

YAML
Python SDK'sı

yml

  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"]'

Python

#First load the component: 

        rai_causal_component = ml_client_registry.components.get(name="microsoft_azureml_rai_tabular_causal", label="latest")

#Use it inside a pipeline definition: 
            causal_job = rai_causal_component( 
                rai_insights_dashboard=construct_job.outputs.rai_insights_dashboard, 
                treatment_features='`["Number of GitHub repos contributed to", "YOE"]', 
            )

R Yapay Zeka İçgörüleri panosuna Counterfactuals ekleme

Bu bileşen, sağlanan test veri kümesi için karşıt noktalar oluşturur. R Yapay Zeka İçgörüleri pano oluşturucusunun çıkışını kabul eden tek bir giriş bağlantı noktası vardır. Ayrıca aşağıdaki parametreleri kabul eder:

Parametre adı	Açıklama	Tür
`total_CFs`	Test veri kümesindeki her satır için oluşturulacak karşı nokta sayısı.	İsteğe bağlı tamsayı, varsayılan olarak 10'a ayarlanır.
`method`	`dice-ml` Kullanılacak açıklayıcı.	İsteğe bağlı dize. , `randomgenetic`veya `kdtree`. varsayılan değeridir `random`.
`desired_class`	İstenen counterfactual sınıfını tanımlayan dizin. İkili sınıflandırma için bu, olarak `opposite`ayarlanmalıdır.	İsteğe bağlı dize veya tamsayı. Varsayılan değer 0'dır.
`desired_range`	Regresyon sorunları için istenen sonuç aralığını belirleyin.	İsteğe bağlı iki sayının^{listesi 3}.
`permitted_range`	Anahtar olarak özellik adlarını ve bir listede değer olarak izin verilen aralığı içeren sözlük. Varsayılan olarak eğitim verilerinden çıkan aralığı kullanır.	İsteğe bağlı dize veya liste³.
`features_to_vary`	Değişiklik gösteren bir dize `all` veya özellik adları listesi.	İsteğe bağlı dize veya liste³.
`feature_importance`	kullanarak `dice-ml`özellik önemlerinin hesaplamasını etkinleştirmek için bayrak ekleyin.	İsteğe bağlı Boole değeri. varsayılan değeridir `True`.

³ Skaler olmayan parametreler için: Listeler veya sözlükler olan parametreler tek JSON ile kodlanmış dizeler olarak geçirilmelidir.

Bu bileşen, bileşenin giriş bağlantı noktalarından insight_[n] birine bağlanabilen tek bir çıkış bağlantı noktasına Gather RAI Insights dashboard sahiptir.

YAML
Python SDK'sı

yml

 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]"

Python

#First load the component: 
        rai_counterfactual_component = ml_client_registry.components.get(name="microsoft_azureml_rai_tabular_counterfactual", label="latest")

#Use it in a pipeline function: 
            counterfactual_job = rai_counterfactual_component( 
                rai_insights_dashboard=create_rai_job.outputs.rai_insights_dashboard, 
                total_cfs=10, 
                desired_range="[5, 10]", 
            )

R Yapay Zeka İçgörüleri panosuna Hata Analizi ekleme

Bu bileşen model için bir hata analizi oluşturur. Çıkışını RAI Insights Dashboard Constructorkabul eden tek bir giriş bağlantı noktası vardır. Ayrıca aşağıdaki parametreleri kabul eder:

Parametre adı	Açıklama	Tür
`max_depth`	Hata çözümleme ağacının maksimum derinliği.	İsteğe bağlı tamsayı. Varsayılan değer 3'tir.
`num_leaves`	Hata ağacındaki en fazla yaprak sayısı.	İsteğe bağlı tamsayı. Varsayılan değer 31'tir.
`min_child_samples`	Yaprak oluşturmak için gereken en az veri noktası sayısı.	İsteğe bağlı tamsayı. Varsayılan değer 20'dir.
`filter_features`	Matris filtresi için kullanılacak bir veya iki özelliğin listesi.	tek bir JSON ile kodlanmış dize olarak geçirilecek isteğe bağlı liste.

Bu bileşen, bileşenin giriş bağlantı noktalarından insight_[n] birine bağlanabilen tek bir çıkış bağlantı noktasına Gather RAI Insights Dashboard sahiptir.

YAML
Python SDK'sı

yml

  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"]'

Python

#First load the component: 
        rai_erroranalysis_component = ml_client_registry.components.get(name="microsoft_azureml_rai_tabular_erroranalysis", label="latest")

#Use inside a pipeline: 
            erroranalysis_job = rai_erroranalysis_component( 
                rai_insights_dashboard=create_rai_job.outputs.rai_insights_dashboard, 
                filter_features='["style", "Employer"]', 
            )

R Yapay Zeka İçgörüleri panosuna Açıklama Ekle

Bu bileşen model için bir açıklama oluşturur. Çıkışını RAI Insights Dashboard Constructorkabul eden tek bir giriş bağlantı noktası vardır. Parametre olarak tek ve isteğe bağlı bir açıklama dizesini kabul eder.

Bu bileşenin, Toplama R Yapay Zeka İçgörüleri pano bileşeninin insight_[n] giriş bağlantı noktalarından birine bağlanabilen tek bir çıkış bağlantı noktası vardır.

YAML
Python SDK'sı

yml

  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}}

Python

#First load the component: 
        rai_explanation_component = ml_client_registry.components.get(name="microsoft_azureml_rai_tabular_explanation", label="latest"

#Use inside a pipeline: 
            explain_job = rai_explanation_component( 
                comment="My comment", 
                rai_insights_dashboard=create_rai_job.outputs.rai_insights_dashboard, 
            )

R Yapay Zeka İçgörüleri panosunu toplama

Bu bileşen, oluşturulan içgörüleri tek bir Sorumlu yapay zeka panosunda birleştirir. Beş giriş bağlantı noktası vardır:

constructor R Yapay Zeka İçgörüleri pano oluşturucu bileşenine bağlanması gereken bağlantı noktası.
Araç bileşenlerinin çıkışına bağlanabilen dört insight_[n] bağlantı noktası. Bu bağlantı noktalarından en az birinin bağlı olması gerekir.

İki çıkış bağlantı noktası vardır:

Bağlantı dashboard noktası tamamlanmış RAIInsights nesneyi içerir.
Bağlantı ux_json noktası, en düşük panoyu görüntülemek için gereken verileri içerir.

YAML
Python SDK'sı

yml

  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}}

Python

#First load the component: 
        rai_gather_component = ml_client_registry.components.get(name="microsoft_azureml_rai_tabular_insight_gather", label="latest")
#Use in a pipeline: 
            rai_gather_job = rai_gather_component( 
                constructor=create_rai_job.outputs.rai_insights_dashboard, 
                insight_1=explain_job.outputs.explanation, 
                insight_2=causal_job.outputs.causal, 
                insight_3=counterfactual_job.outputs.counterfactual, 
                insight_4=erroranalysis_job.outputs.error_analysis, 
            )

Sorumlu yapay zeka karnesi oluşturma (önizleme)

Yapılandırma aşaması, model performansı ve eşitlik ölçümleri üzerinde istediğiniz hedef değerleri ayarlamak için sorun konusunda etki alanı uzmanlığınızı kullanmanızı gerektirir.

YAML işlem hattında yapılandırılan diğer Sorumlu Yapay Zeka panosu bileşenleri gibi, YAML işlem hattında karne oluşturmak için bir bileşen ekleyebilirsiniz:

yml

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

Burada pdf_gen.json puan kartı oluşturma yapılandırma json dosyasıdır ve önceden oluşturulmuş cohorts tanım json dosyasını predifined_cohorts_json kimliğidir.

Cohorts tanımı ve karne oluşturma yapılandırması için örnek bir JSON dosyası aşağıda verilmişti:

Kohort tanımı:

yml

[ 
  { 
    "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" 
      } 
    ] 
  } 
]

Aşağıda regresyon örneği olarak bir karne oluşturma yapılandırma dosyası verilmişti:

yml

{ 
  "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" 
  ]  
}

Sınıflandırma örneği olarak bir karne oluşturma yapılandırma dosyası aşağıda verilmişti:

yml

{
  "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"
  }
}

Sorumlu AI karne bileşeni için girişlerin tanımı

Bu bölümde, Sorumlu AI karne bileşenini yapılandırmak için gereken parametreler listelenir ve tanımlanmıştır.

Model

ModelName	Modelin adı
`ModelType`	['classification', 'regresyon'] içindeki değerler.
`ModelSummary`	Modelin ne için olduğunu özetleyen metin girin.

Not

Çok sınıflı sınıflandırma için, önce başvuru sınıfınızı seçmek için One-vs-Rest stratejisini kullanmanız ve ardından çok sınıflı sınıflandırma modelinizi seçtiğiniz başvuru sınıfı için bir ikili sınıflandırma sorununa bölmeniz ve sınıfların geri kalanına bölmeniz gerekir.

Ölçümler

Performans ölçümü	Tanım	Model türü
`accuracy_score`	Doğru sınıflandırılan veri noktalarının kesri.	Sınıflandırma
`precision_score`	1 olarak sınıflandırılanlar arasında doğru şekilde sınıflandırılan veri noktalarının kesri.	Sınıflandırma
`recall_score`	Gerçek etiketi 1 olan veriler arasında doğru şekilde sınıflandırılan veri noktalarının kesirleri. Alternatif adlar: gerçek pozitif oran, duyarlılık.	Sınıflandırma
`f1_score`	F1 puanı, duyarlık ve yakalamanın harmonik ortalamasıdır.	Sınıflandırma
`error_rate`	Tüm örnek kümesinde yanlış sınıflandırılan örneklerin oranı.	Sınıflandırma
`mean_absolute_error`	Hataların mutlak değerlerinin ortalaması. aykırı değerlere göre daha `mean_squared_error`sağlamdır.	Regresyon
`mean_squared_error`	Hata karesi ortalaması.	Regresyon
`median_absolute_error`	Kareli hataların ortanca değeri.	Regresyon
`r2_score`	Model tarafından açıklanan etiketlerdeki varyansın kesri.	Regresyon

Eşik: Seçili ölçüm için istenen eşik. İzin verilen matematiksel belirteçler , <, >= ve <=m'dir >ve ardından gerçek bir sayı gelir. Örneğin= 0,75, >seçilen ölçümün hedefinin 0,75'ten büyük veya buna eşit olduğu anlamına gelir.

Özellik önemi

top_n: Gösterilecek özellik sayısı ve en fazla 10. 10'a kadar pozitif tamsayılara izin verilir.

Eşitlik

Metrik Sistem	Açıklama
`metric`	Değerlendirme eşitliği için birincil ölçüm.
`sensitive_features`	Eşitlik raporu için hassas özellikler olarak belirlenecek giriş veri kümesindeki özellik adlarının listesi.
`fairness_evaluation_kind`	['difference', 'ratio'] içindeki değerler.
`threshold`	Eşitlik değerlendirmesinin istenen hedef değerleri . İzin verilen matematik belirteçleri , <, >= ve = ile <birlikte gerçek bir sayıdır>. Örneğin metric="accuracy", fairness_evaluation_kind="difference". <= 0,05, doğruluk farkının hedefinin 0,05'ten küçük veya buna eşit olduğu anlamına gelir.

Not

Seçiminiz fairness_evaluation_kind ('fark' ile 'oran' arasında seçim) hedef değerinizin ölçeğini etkiler. Seçiminizde anlamlı bir hedef değer seçtiğinizden emin olun.

Karnenin eşitlik değerlendirme bileşeninizi yapılandırmak için aşağıdaki ölçümler fairness_evaluation_kindarasından öğesini seçebilirsiniz:

Metric	fairness_evaluation_kind	Tanım	Model türü
`accuracy_score`	difference	İki grup arasındaki doğruluk puanındaki en büyük fark.	Sınıflandırma
`accuracy_score`	oran	İki grup arasındaki doğruluk puanındaki en düşük oran.	Sınıflandırma
`precision_score`	difference	İki grup arasındaki en yüksek duyarlık puanı farkı.	Sınıflandırma
`precision_score`	oran	İki grup arasındaki en yüksek duyarlık puanı oranı.	Sınıflandırma
`recall_score`	difference	İki grup arasındaki en yüksek geri çağırma puanı farkı.	Sınıflandırma
`recall_score`	oran	İki grup arasındaki geri çağırma puanındaki en yüksek oran.	Sınıflandırma
`f1_score`	difference	f1 puanındaki iki grup arasındaki en büyük fark.	Sınıflandırma
`f1_score`	oran	f1 puanındaki iki grup arasındaki en yüksek oran.	Sınıflandırma
`error_rate`	difference	İki grup arasındaki hata oranı en yüksek farkı.	Sınıflandırma
`error_rate`	oran	İki grup arasındaki hata oranı üst sınırı.	Sınıflandırma
`Selection_rate`	difference	İki grup arasındaki seçim oranı en yüksek farkı.	Sınıflandırma
`Selection_rate`	oran	herhangi iki grup arasındaki seçim oranı üst sınırı.	Sınıflandırma
`mean_absolute_error`	difference	İki grup arasındaki ortalama mutlak hata arasındaki en büyük fark.	Regresyon
`mean_absolute_error`	oran	İki grup arasındaki ortalama mutlak hatadaki en yüksek oran.	Regresyon
`mean_squared_error`	difference	İki grup arasındaki ortalama hata karesi arasındaki en büyük fark.	Regresyon
`mean_squared_error`	oran	İki grup arasındaki ortalama hata karesindeki en yüksek oran.	Regresyon
`median_absolute_error`	difference	İki grup arasındaki ortanca mutlak hata arasındaki en büyük fark.	Regresyon
`median_absolute_error`	oran	Ortanca mutlak hatada iki grup arasındaki en yüksek oran.	Regresyon
`r2_score`	difference	R² puanındaki iki grup arasındaki en büyük fark.	Regresyon
`r2_Score`	oran	R² puanındaki iki grup arasındaki maksimum oran.	Regresyon

Giriş kısıtlamaları

Hangi model biçimleri ve tatlar desteklenir?

Modelin MLflow dizininde sklearn aroması bulunmalıdır. Ayrıca modelin Sorumlu yapay zeka bileşenleri tarafından kullanılan ortamda yüklenebilir olması gerekir.

Hangi veri biçimleri desteklenir?

Sağlanan veri kümeleri tablosal verilerle birlikte olmalıdır mltable .

Sonraki adımlar

Sorumlu yapay zeka panonuzu oluşturduktan sonra Azure Machine Learning stüdyosu'de bu panoya nasıl erişip kullanacağınızı görüntüleyin.
Sorumlu yapay zeka içgörülerinizi PDF dışarı aktarma olarak Sorumlu yapay zeka karnesiyle özetleyin ve paylaşın.
Sorumlu yapay zeka panosunun arkasındaki kavramlar ve teknikler hakkında daha fazla bilgi edinin.
Sorumlu bir şekilde veri toplama hakkında daha fazla bilgi edinin.
YAML veya Python ile Sorumlu yapay zeka panosu oluşturmak için örnek YAML ve Python not defterlerini görüntüleyin.
Bu teknoloji topluluğu blog gönderisinde veri ve modellerde hata ayıklamak ve daha iyi karar alma konusunda bilgi edinmek için Sorumlu yapay zeka panosunu ve karnesini kullanma hakkında daha fazla bilgi edinin.
Sorumlu yapay zeka panosunun ve karnesinin Birleşik Krallık Ulusal Sistem Sağlığı Hizmeti (NHS) tarafından gerçek hayattaki müşteri hikayesinde nasıl kullanıldığı hakkında bilgi edinin.
Bu etkileşimli yapay zeka laboratuvarı web tanıtımıyla Sorumlu yapay zeka panosunun özelliklerini keşfedin.

Ek kaynaklar

Belgeler

Azure Machine Learning stüdyosu'de Sorumlu Yapay Zeka panosunu kullanma - Azure Machine Learning

Azure Machine Learning'deki Sorumlu Yapay Zeka panosunda çeşitli araçları ve görselleştirme grafiklerini kullanmayı öğrenin.
Stüdyo kullanıcı arabiriminde Sorumlu yapay zeka içgörüleri oluşturma - Azure Machine Learning

Azure Machine Learning stüdyosu kullanıcı arabiriminde kodsuz deneyime sahip sorumlu yapay zeka içgörüleri oluşturmayı öğrenin.
Model yorumlanabilirliği - Azure Machine Learning

Azure Machine Learning CLI ve Python SDK'sını kullanarak makine öğrenmesi modelinizin eğitim ve çıkarım sırasında nasıl tahminde bulunduğu hakkında bilgi edinin.
Sorumlu yapay zeka metin panosunu kullanma - Azure Machine Learning

Azure Machine Learning stüdyosu Sorumlu Yapay Zeka (RAI) metin panosundaki araçları ve görselleştirmeleri kullanmayı öğrenin.
Makine öğrenmesi eşitliği - Azure Machine Learning

Makine öğrenmesi eşitliği ve Fairlearn Python paketinin haksızlığı değerlendirmenize ve azaltmanıza nasıl yardımcı olabileceğini öğrenin.
YAML ve Python ile Sorumlu Yapay Zeka vizyon içgörüleri oluşturma - Azure Machine Learning

Python veya YAML işlem hattındaki görüntü içgörüleri bileşenini kullanarak Azure Machine Learning Sorumlu Yapay Zeka (RAI) görüntü panosu oluşturmayı öğrenin.
Azure Machine Learning Sorumlu Yapay Zeka panosuyla yapay zeka sistemlerini değerlendirme ve veri odaklı kararlar alma - Azure Machine Learning

Makine öğrenmesi modellerinizin hatalarını ayıklamak ve veri odaklı kararlar almak için Sorumlu yapay zeka panosundaki kapsamlı kullanıcı arabirimini ve SDK/YAML bileşenlerini kullanmayı öğrenin.
Azure Machine Learning'de Sorumlu Yapay Zeka karnesi (önizleme) kullanma - Azure Machine Learning

Azure Machine Learning'den PDF Sorumlu Yapay Zeka karnesini dışarı aktararak teknik olmayan iş paydaşlarıyla içgörü paylaşın.

Eğitim

Modül

Azure Machine Learning'de bir model için Sorumlu Yapay Zeka panosu oluşturma ve keşfetme - Training

Python SDK v2'yi kullanarak Azure Machine Learning'de bir model için Sorumlu AI panosunu oluşturun ve keşfedin.

Sertifikasyon

Microsoft Sertifikalı: Azure Veri Bilimcisi İş Ortağı - Certifications

Python, Azure Machine Learning ve MLflow ile veri alımını ve hazırlığını, model eğitimini ve dağıtımlarını ve makine öğrenmesi çözümü izlemeyi yönetin.

Aracılığıyla paylaş

YAML ve Python ile Sorumlu yapay zeka içgörüleri oluşturma

Sorumlu yapay zeka bileşenleri

Sınırlamalar

R Yapay Zeka İçgörüleri pano oluşturucu

R Yapay Zeka İçgörüleri panosuna Nedensel ekleme

R Yapay Zeka İçgörüleri panosuna Counterfactuals ekleme

R Yapay Zeka İçgörüleri panosuna Hata Analizi ekleme

R Yapay Zeka İçgörüleri panosuna Açıklama Ekle

R Yapay Zeka İçgörüleri panosunu toplama

Sorumlu yapay zeka karnesi oluşturma (önizleme)

Sorumlu AI karne bileşeni için girişlerin tanımı

Model

Ölçümler

Özellik önemi

Eşitlik

Giriş kısıtlamaları

Hangi model biçimleri ve tatlar desteklenir?

Hangi veri biçimleri desteklenir?

Sonraki adımlar

Geri Bildirim

Ek kaynaklar