MLI 개요

Driverless AI는 기계 학습 모델의 견고한 해석 가능성을 제공을 통해 모델링 결과를 사람이 판독할 수 있는 형식으로 설명합니다. 기계 학습 해석 가능성(MLI) 보기에서 Driverless AI는 모델 결과를 해석하고 설명하기 위해 다양한 기술과 방법론을 사용합니다. K-LIME, Shapley, 변수중요도, Decision Tree Surrogate, 부분 의존도, Individual Conditional Expectation, Sensitivity Analysis, NLP Tokens, NLP LOCO 등 여러 차트가 자동으로 생성됩니다(실험 유형에 따라 다름). 또한 해당 보기에서 LIME, Shapley 및 원본(Kernel SHAP) Shapley 이유 코드의 CSV와 Decision Tree Surrogate 모델 규칙의 텍스트 및 Python 파일을 다운로드할 수 있습니다.

모델 해석을 위해 Driverless AI에서 사용하는 기술 및 방법론은 레시피(Python 코드 스니펫)를 통해 확장이 가능합니다. custom recipes for MLI 에 대한 자세한 내용은 https://github.com/h2oai/driverlessai-recipes/tree/rel-1.9.1/explainers를 참조하십시오.

이 장은 정규 및 time series 실험을 위한 Driverless AI의 MLI(기계 학습 해석 가능성)에 대해 설명합니다. 자세한 내용은 다음 섹션을 참조하십시오.

Additional Resources

  • Click here 로 MLI 치트 시트를 다운로드하십시오.

  • An Introduction to Machine Learning Interpretability》 book.

  • H2O.ai MLI 리소스 리포지터리에 액세스하려면 Click here 를 이용하십시오. 이 repo는 활동 중인 데이터 사이언티스트의 다양한 MLI 기술의 적용 또는 적응을 설명하는 자료를 포함하고 있습니다.

  • H2O.ai 기계 학습 해석 가능성 사용자 정의 레시피 리포지터리에 액세스하려면 Click here 를 이용하십시오.

  • H2O Driverless AI 기계 학습 해석 가능성 연습 동영상을 보려면 Click here 를 이용하십시오.

Notes

  • 이 릴리스는 1.8.9 및 이전 버전에서 실행하는 실험을 지원하지 않습니다. MLI 마이그레이션은 버전 1.8.9 미만의 실험을 지원하지 않습니다.

  • MLI는 이미지 또는 다중 클래스 Time Series 실험을 지원하지 않습니다.

  • MLI를 현재 모델에서 실행하기 위해서는 인터넷 연결이 필요하지 않습니다.

  • MLI에서 사용할 특정 H2O 인스턴스 포트를 지정하려면 h2o_port config.toml 설정을 사용하십시오. h2o_ip 설정을 통해 MLI에서 사용할 IP 주소를 지정할 수도 있습니다.