亚马逊SageMakerAutopilot 的可解性 - Amazon SageMaker
Amazon Web Services 文档中描述的 Amazon Web Services 服务或功能可能因区域而异。要查看适用于中国区域的差异,请参阅中国的 Amazon Web Services 服务入门

本文属于机器翻译版本。若本译文内容与英语原文存在差异,则一律以英文原文为准。

亚马逊SageMakerAutopilot 的可解性

亚马逊SageMaker自动驾驶仪使用亚马逊提供的工具SageMaker澄清以帮助解释机器学习 (ML) 模型如何做出预测。这些工具可以帮助机器学习建模者和开发人员以及其他内部利益相关者在部署之前了解模型特征的整体情况,并在模型部署后调试其提供的预测。机器学习模型如何实现预测的透明度对于消费者和监管机构也至关重要,他们如果要接受基于模型的决策,他们就需要信任模型预测。Autopilot 解释功能使用与模型无关的功能归因方法,您可以使用该方法来了解模型在训练后进行预测的原因,并在推断过程中提供每个实例的解释。该实施包括可扩展且高效的实施SHAP,基于来自合作博弈论领域的 Shapley 值的概念,该概念为每个特征赋予特定预测的重要性值。

您可以使用解释来审计和满足监管要求、建立对模型的信任并支持人类决策,以及调试和提高模型性能。

有关 Shapely 值和基线的其他信息,请参阅。使用 Shapley 值的功能归因SHAP 基准的可解释性.

获取亚马逊指南SageMaker澄清文档,请参阅SageMaker 澄清文档指南.