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 (PDF)。

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。

配置和创建端点

创建适合您的模型的新端点配置，然后使用此配置创建端点。您可以使用在预检查步骤中验证的模型容器来创建端点并启用 Clarify 在线 SageMaker 可解释性功能。

使用sagemaker_client对象通过 CreateEndpointConfigAPI 创建终端节点。按照如下方式，在 ExplainerConfig 参数内设置成员 ClarifyExplainerConfig：

sagemaker_client.create_endpoint_config(
    EndpointConfigName='name-of-your-endpoint-config',
    ExplainerConfig={
        'ClarifyExplainerConfig': {
            'EnableExplanations': '`true`',
            'InferenceConfig': {
                ...
            },
            'ShapConfig': {
                ...
            }
        },
    },
    ProductionVariants=[{
        'VariantName': 'AllTraffic',
        'ModelName': 'name-of-your-model',
        'InitialInstanceCount': 1,
        'InstanceType': 'ml.m5.xlarge',
    }]
     ...
)
sagemaker_client.create_endpoint(
    EndpointName='name-of-your-endpoint',
    EndpointConfigName='name-of-your-endpoint-config'
)

第一次调用 sagemaker_client 对象时，会创建一个启用解释功能的新端点配置。第二个调用会使用端点配置来启动端点。

EnableExplanations 表达式

EnableExplanations 参数是一个 JMESPath 布尔表达式字符串。它会针对解释能力请求中的每个记录进行评估。如果该参数的计算结果为 true，则将对记录进行解释。如果该参数的计算结果为 false，则不会生成解释。

SageMaker Clarify 将每条记录的模型容器输出反序列化为兼容 JSON 的数据结构，然后使用EnableExplanations参数来评估数据。

EnableExplanations 参数是一个 JMESPath 表达式，可以在 InvokeEndpoint 或 CreateEndpointConfig 操作期间传递。如果提供的 JMESPath 表达式无效，则端点创建操作将会失败。如果该表达式有效，但表达式计算出现意外结果，则端点将成功创建，但是调用端点时会出现错误。使用 InvokeEndpoint API 测试 EnableExplanations 表达式，然后将该表达式应用于端点配置。

下面是有效 EnableExplanations 表达式的一些示例。在这些示例中，JMESPath 表达式使用反引号字符将文字括起来。例如，`true` 表示 true。

合成数据集

SageMaker Clarify 使用内核 SHAP 算法。给定记录（也称为样本或实例）和 SHAP 配置，解释器首先生成合成数据集。 SageMaker 然后，Clarify 在模型容器中查询数据集的预测，然后计算并返回特征属性。合成数据集的大小会对 Clarify 解释器的运行时间产生影响。与较小的合成数据集相比，较大的合成数据集需要更长时间来获得模型预测。

合成数据集的大小可以通过以下公式确定：

Synthetic dataset size = SHAP baseline size * n_samples

SHAP 基线大小是 SHAP 基线数据中的记录数。此信息提取自 ShapBaselineConfig。

n_samples 的大小由解释器配置中的参数 NumberOfSamples 和特征数量设置。如果特征数量为 n_features，则 n_samples 如下：

n_samples = MIN(NumberOfSamples, 2^n_features - 2)

如果未提供 NumberOfSamples，则下面会显示 n_samples。

n_samples = MIN(2*n_features + 2^11, 2^n_features - 2)

例如，对于包含 10 个特征的表记录，SHAP 基线大小为 1。如果未提供 NumberOfSamples，则合成数据集包含 1022 个记录。如果记录有 20 个特征，则合成数据集包含 2088 个记录。

对于 NLP 问题，n_features 等于非文本特征的数量加上文本单元的数量。