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.