亚马逊 SageMaker Autopilot 的可解释性 - 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 SageMaker Autopilot 的可解释性

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、开发人员和其他内部利益相关者在部署之前了解模型 您还可以使用工具调试模型部署后提供的预测。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,他们必须信任模型预测才能接受基于预测的决策。Autopilot 解释功能使用与模型无关的功能归因方法。你可以使用它来了解模型为什么在训练后进行预测,并使用它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. 这是基于来自合作博弈论领域的 Shapley 值的概念,该概念为每个特征分配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、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.