Optimizar un modelo mediante el marco de información del modelo

Model Insights Framework proporciona al científico de datos herramientas en Data Science Workspace para tomar decisiones rápidas e informadas para modelos óptimos de aprendizaje automático basados en experimentos. El marco mejorará la velocidad y la eficacia del flujo de trabajo de aprendizaje automático, así como la facilidad de uso de los científicos de datos. Esto se hace proporcionando una plantilla predeterminada para cada tipo de algoritmo de aprendizaje automático para ayudar con el ajuste del modelo. El resultado final permite a los científicos de datos y a los científicos de datos ciudadanos tomar mejores decisiones de optimización de modelos para sus clientes finales.

¿Qué son las métricas?

Después de implementar y entrenar un modelo, el siguiente paso que haría un científico de datos es encontrar el desempeño del modelo. Se utilizan varias métricas para determinar la eficacia de un modelo en comparación con otros. Algunos ejemplos de métricas utilizadas son:

• Precisión de la clasificación
• Área bajo curva
• Matriz de confusión
• Informe de clasificación

Configuración del código de fórmula

Actualmente, Model Insights Framework es compatible con los siguientes tiempos de ejecución:

• Scala
• Pithon/Tensorflow
• R

Puede encontrar código de muestra para fórmulas en el repositorio experience-platform-dsw-reference en recipes. Se hará referencia a archivos específicos de este repositorio a lo largo de este tutorial.

Scala

Existen dos maneras de incorporar métricas a las fórmulas. Una es utilizar las métricas de evaluación predeterminadas proporcionadas por el SDK y la otra es escribir métricas de evaluación personalizadas.

Métricas de evaluación predeterminadas para Scala

Las evaluaciones predeterminadas se calculan como parte de los algoritmos de clasificación. Estos son algunos valores predeterminados para los evaluadores que están implementados actualmente:

El evaluador se puede definir en la fórmula del archivo application.properties de la carpeta recipe. A continuación se muestra un ejemplo de código que habilita DefaultBinaryClassificationEvaluator:

evaluation.class=com.adobe.platform.ml.impl.DefaultBinaryClassificationEvaluator
evaluation.labelColumn=label
evaluation.predictionColumn=prediction
training.evaluate=true

Una vez habilitada una clase de evaluador, se calcularán varias métricas durante la formación de forma predeterminada. Las métricas predeterminadas se pueden declarar explícitamente agregando la siguiente línea a su application.properties.

evaluation.metrics.com=com.adobe.platform.ml.impl.Constants.DEFAULT

Se puede habilitar una métrica específica cambiando el valor de evaluation.metrics.com. En el siguiente ejemplo, la métrica F-Score está activada.

evaluation.metrics=com.adobe.platform.ml.impl.Constants.FSCORE

En la tabla siguiente se indican las métricas predeterminadas de cada clase. Un usuario también puede utilizar los valores de la columna evaluation.metric para habilitar una métrica específica.

Métricas de evaluación personalizadas para Scala

Se puede proporcionar el evaluador personalizado ampliando la interfaz de MLEvaluator.scala en el archivo Evaluator.scala. En el archivo Evaluator.escala de ejemplo, definimos las funciones split() y evaluate() personalizadas. Nuestra función split() divide nuestros datos aleatoriamente con una proporción de 8:2 y nuestra función evaluate() define y devuelve 3 métricas: MAPE, MAE y RMSE.

Una vez definida en la fórmula, el siguiente paso es habilitarla en las fórmulas. Esto se realiza en el archivo application.properties de la carpeta resources del proyecto. Aquí el evaluation.class se establece en la clase Evaluator definida en Evaluator.scala

evaluation.class=com.adobe.platform.ml.Evaluator

En Data Science Workspace, el usuario podría ver las perspectivas en la pestaña "Métricas de evaluación" de la página del experimento.

Python/Tensorflow

A partir de ahora, no hay métricas de evaluación predeterminadas para Python o Tensorflow. Por lo tanto, para obtener las métricas de evaluación para Python o Tensorflow, deberá crear una métrica de evaluación personalizada. Esto se puede hacer implementando la clase Evaluator.

Métricas de evaluación personalizadas para Python

Para las métricas de evaluación personalizadas, hay dos métodos principales que deben implementarse para el evaluador: split() y evaluate().

Para Python, estos métodos se definirían en evaluator.py para la clase Evaluator. Siga el enlace evaluator.py para ver un ejemplo de Evaluator.

La creación de métricas de evaluación en Python requiere que el usuario implemente los métodos evaluate() y split() .

El método evaluate() devuelve el objeto de métrica que contiene una matriz de objetos de métrica con propiedades name, value y valueType.

El propósito del método split() es introducir datos y generar una formación y un conjunto de datos de prueba. En nuestro ejemplo, el método split() ingresa datos mediante el SDK DataSetReader y, a continuación, limpia los datos eliminando columnas no relacionadas. A partir de ahí, se crean funciones adicionales a partir de funciones sin procesar existentes en los datos.

El método split() debe devolver un datafame de entrenamiento y prueba que luego se utiliza en los métodos pipeline() para entrenar y probar el modelo ML.

Métricas de evaluación personalizadas para Tensorflow

Para Tensorflow, similar a Python, se deberán implementar los métodos evaluate() y split() en la clase Evaluator. Para evaluate(), las métricas deben devolverse mientras que split() devuelve los conjuntos de datos de prueba y tren.

from ml.runtime.python.Interfaces.AbstractEvaluator import AbstractEvaluator

class Evaluator(AbstractEvaluator):
    def __init__(self):
       print ("initiate")

    def evaluate(self, data=[], model={}, config={}):

        return metrics

    def split(self, config={}):

       return 'train', 'test'

R

A partir de ahora, no hay métricas de evaluación predeterminadas para R. Por lo tanto, para obtener las métricas de evaluación para R, debe definir la clase applicationEvaluator como parte de la fórmula.

Métricas de evaluación personalizadas para R

El propósito principal del applicationEvaluator es devolver un objeto JSON que contenga pares clave-valor de métricas.

Este applicationEvaluator.R puede utilizarse como ejemplo. En este ejemplo, el applicationEvaluator se divide en tres secciones conocidas:

• Carga de datos
• Preparación de datos/ingeniería de características
• Recuperar modelo guardado y evaluar

Los datos se cargan primero en un conjunto de datos desde un origen como se define en retail.config.json. A partir de ahí, los datos se limpian y se diseñan para ajustarse al modelo de aprendizaje automático. Por último, el modelo se utiliza para hacer una predicción utilizando nuestro conjunto de datos y a partir de los valores predichos y los valores reales, las métricas se calculan. En este caso, MAPE, MAE y RMSE se definen y devuelven en el objeto metrics.

Uso de métricas prediseñadas y gráficos de visualización

El Sensei Model Insights Framework admitirá una plantilla predeterminada para cada tipo de algoritmo de aprendizaje automático. La siguiente tabla muestra clases comunes de algoritmos de aprendizaje automático de alto nivel y las métricas y visualizaciones de evaluación correspondientes.