Publicado: Mar 30, 2021
O Amazon SageMaker Autopilot, que facilita a criação de modelos de machine learning altamente precisos, agora fornece um relatório de explicabilidade de modelos gerado pelo Amazon SageMaker Clarify, facilitando a compreensão e a explicação de como o modelos criados com o SageMaker Autopilot fazem previsões. Relatórios de explicabilidade incluem valores de importância de recursos, para que você possa entender como cada atributo em seus dados de treinamento contribui para o resultado previsto como uma porcentagem. Quanto maior a porcentagem, mais forte é o impacto desse recurso nas previsões do seu modelo. Você fazer download do relatório de explicabilidade como um arquivo legível, visualizar propriedades de modelos, incluindo a importância do recurso no Amazon SageMaker Studio, ou acessar a importância do recurso usando as APIs do SageMaker Autopilot.
Ao entender como seu modelo faz previsões, você pode tomar decisões de negócios mais bem-informadas. Por exemplo, você pode verificar se o seu modelo está se comportando conforme esperado, confirmando que atributos com um valor de alta importância representam um sinal válido para previsões no seu problema de negócios. Com relatórios de explicabilidade de modelos, você pode remover atributos menos importantes para criar modelos que tornam as previsões mais rápidas. Você pode verificar a justiça e a precisão do seu modelo identificando os atributos a partir dos quais deseja remover tendências e confirmando se eles têm pouca importância de recurso.
Relatórios de explicabilidade estão agora disponíveis no SageMaker Autopilot, em todas as regiões em que o SageMaker Autopilot está disponível. Para começar, visite nossa documentação e página da web.