Veröffentlicht am: Mar 30, 2021
Amazon SageMaker Autopilot, das die Erstellung hochpräziser Machine Learning-Modelle vereinfacht, bietet jetzt einen von Amazon SageMaker Clarify generierten Bericht zur Erklärbarkeit von Modellen, der es einfacher macht, zu verstehen und zu erklären, wie die mit SageMaker Autopilot erstellten Modelle Vorhersagen treffen. Die Berichte zur Erklärbarkeit enthalten Werte zur Merkmalsbedeutung, sodass Sie nachvollziehen können, wie jedes Attribut in Ihren Trainingsdaten in Prozent zum vorhergesagten Ergebnis beiträgt. Je höher der Prozentsatz, desto stärker wirkt sich dieses Merkmal auf die Vorhersagen Ihres Modells aus. Sie können den Erklärbarkeitsbericht als für Menschen lesbare Datei herunterladen, Modelleigenschaften einschließlich der Merkmalsbedeutung in Amazon SageMaker Studio anzeigen oder über die SageMaker Autopilot APIs auf die Merkmalsbedeutung zugreifen.
Wenn Sie verstehen, wie Ihr Modell Vorhersagen trifft, können Sie fundiertere Geschäftsentscheidungen treffen. Sie können z. B. überprüfen, ob sich Ihr Modell wie erwartet verhält, indem Sie bestätigen, dass Attribute mit einem hohen Wichtigkeitswert ein gültiges Signal für Vorhersagen in Ihrem Geschäftsproblem darstellen. Mit Berichten zur Modellerklärbarkeit können Sie weniger wichtige Attribute entfernen, um Modelle zu erstellen, die schneller Vorhersagen machen. Sie können die Fairness und Genauigkeit Ihres Modells überprüfen, indem Sie die Attribute identifizieren, von denen Sie Verzerrungen entfernen möchten, und bestätigen, ob sie eine geringe Merkmalsbedeutung haben.
Erklärbarkeitsberichte sind jetzt in SageMaker Autopilot in allen Regionen verfügbar, in denen SageMaker Autopilot verfügbar ist. Informationen zu den ersten Schritten finden Sie in unserer Dokumentation und auf unsererWebseite.