A Framework Model Insights fornece ao cientista de dados ferramentas Data Science Workspace para fazer escolhas rápidas e informadas para modelos ideais de aprendizado de máquina com base em experimentos. A estrutura melhorará a velocidade e a eficácia do fluxo de trabalho de aprendizado de máquina, bem como a facilidade de uso para cientistas de dados. Isso é feito fornecendo um modelo padrão para cada tipo de algoritmo de aprendizado da máquina para auxiliar no ajuste do modelo. O resultado final permite que cientistas de dados e cientistas de dados cidadãos tomem decisões de otimização de modelos melhores para seus clientes finais.
Depois de implementar e treinar um modelo, o próximo passo que um cientista da área de dados faria seria descobrir o desempenho do modelo. Várias métricas são usadas para descobrir a eficácia de um modelo em relação a outras. Alguns exemplos de métricas usadas incluem:
Atualmente, o Model Insights Framework suporta os seguintes tempos de execução:
O código de amostra para fórmulas pode ser encontrado no repositório experience-platform-dsw-reference em recipes
. Arquivos específicos deste repositório serão referenciados neste tutorial.
Há duas maneiras de trazer métricas para as receitas. Uma é usar as métricas de avaliação padrão fornecidas pelo SDK e a outra é gravar métricas de avaliação personalizadas.
As avaliações padrão são calculadas como parte dos algoritmos de classificação. Estes são alguns valores padrão para avaliadores que estão implementados no momento:
Classe do avaliador | evaluation.class |
---|---|
DefaultBinaryClassificationEvaluator | com.adobe.platform.ml.impl.DefaultBinaryClassificationEvaluator |
DefaultMultiClassificationEvaluator | com.adobe.platform.ml.impl.DefaultMultiClassificationEvaluator |
RecommendationsEvaluator | com.adobe.platform.ml.impl.RecommendationsEvaluator |
O avaliador pode ser definido na fórmula no arquivo application.properties na recipe
pasta. O código de amostra que permite o DefaultBinaryClassificationEvaluator
é mostrado abaixo:
evaluation.class=com.adobe.platform.ml.impl.DefaultBinaryClassificationEvaluator
evaluation.labelColumn=label
evaluation.predictionColumn=prediction
training.evaluate=true
Depois que uma classe avaliadora é ativada, várias métricas serão calculadas durante o treinamento por padrão. As métricas padrão podem ser declaradas explicitamente adicionando a seguinte linha à sua application.properties
.
evaluation.metrics.com=com.adobe.platform.ml.impl.Constants.DEFAULT
Se a métrica não estiver definida, as métricas padrão estarão ativas.
Uma métrica específica pode ser ativada alterando o valor para evaluation.metrics.com
. No exemplo a seguir, a métrica da Pontuação F está ativada.
evaluation.metrics=com.adobe.platform.ml.impl.Constants.FSCORE
A tabela a seguir indica as métricas padrão para cada classe. Um usuário também pode usar os valores na evaluation.metric
coluna para ativar uma métrica específica.
evaluator.class |
Métricas padrão | evaluation.metric |
---|---|---|
DefaultBinaryClassificationEvaluator |
- Precisão - Matriz de Confusão de Recall -F-Pontuação -Precisão - Características Operacionais Do Receptor Na Área Operacional Do Receptor |
-PRECISION - RECALL - CONFUSION_MATRIX - FSCORE - ACCURACY - ROC - AUROC |
DefaultMultiClassificationEvaluator |
- Precisão - Matriz de Confusão de Recall -F-Pontuação -Precisão - Características Operacionais Do Receptor Na Área Operacional Do Receptor |
-PRECISION - RECALL - CONFUSION_MATRIX - FSCORE - ACCURACY - ROC - AUROC |
RecommendationsEvaluator |
-Precisão média (MAP) - Média de precisão (MAP) normalizada Descontada Ganho acumulado - Média de classificação métrica Recírica K |
-MEAN_AVERAGE_PRECISION - NDCG - MRR - METRIC_K |
O avaliador personalizado pode ser fornecido estendendo a interface do MLEvaluator.scala
em seu Evaluator.scala
arquivo. No arquivo Evaluator.escala de exemplo, definimos funções personalizadas split()
e evaluate()
. Nossa split()
função divide nossos dados aleatoriamente com uma proporção de 8:2 e nossa evaluate()
função define e retorna 3 métricas: MAPE, MAE e RMSE.
Para a MLMetric
classe, não use "measures"
para valueType
ao criar uma nova MLMetric
outra métrica, a métrica não será preenchida na tabela de métricas de avaliação personalizadas.
Faça o seguinte: metrics.add(new MLMetric("MAPE", mape, "double"))
Não é isso: metrics.add(new MLMetric("MAPE", mape, "measures"))
Uma vez definido na fórmula, a próxima etapa é ativá-la nas receitas. Isso é feito no arquivo application.properties na resources
pasta do projeto. Aqui, a classe evaluation.class
é definida para a Evaluator
classe definida em Evaluator.scala
evaluation.class=com.adobe.platform.ml.Evaluator
No Data Science Workspace, o usuário poderá ver os insights na guia "Métricas de avaliação" na página de experimentos.
A partir de agora, não há métricas de avaliação padrão para Python ou Tensorflow. Assim, para obter as métricas de avaliação para Python ou Tensorflow, será necessário criar uma métrica de avaliação personalizada. Isso pode ser feito com a implementação da Evaluator
classe.
Para métricas de avaliação personalizadas, há dois métodos principais que precisam ser implementados para o avaliador: split()
e evaluate()
.
Para Python, esses métodos seriam definidos em evaluate.py para a Evaluator
classe. Siga o link evaluate.py para obter um exemplo do Evaluator
.
A criação de métricas de avaliação no Python exige que o usuário implemente os evaluate()
métodos e split()
métodos.
O evaluate()
método retorna o objeto de métrica que contém uma matriz de objetos de métrica com propriedades de name
, value
e valueType
.
O objetivo do split()
método é inserir dados e produzir um conjunto de dados de treinamento e teste. Em nosso exemplo, o split()
método insere dados usando o DataSetReader
SDK e limpa os dados removendo colunas não relacionadas. Daí, recursos adicionais são criados a partir de recursos brutos existentes nos dados.
O split()
método deve retomar os dados de formação e de ensaio que são depois utilizados pelos pipeline()
métodos de treino e ensaio do modelo ML.
Para Tensorflowque, semelhante a Python, os métodos evaluate()
e split()
na Evaluator
classe precisem ser implementados. No caso evaluate()
, as métricas devem ser retornadas enquanto split()
retorna o comboio e os conjuntos de dados de ensaio.
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'
A partir de agora, não há métricas de avaliação padrão para R. Assim, para obter as métricas de avaliação para R, será necessário definir a applicationEvaluator
classe como parte da fórmula.
O objetivo principal do applicationEvaluator
é retornar um objeto JSON contendo pares de valores chave de métricas.
Esse applicationEvaluator.R pode ser usado como exemplo. Neste exemplo, o applicationEvaluator
é dividido em três seções familiares:
Os dados são carregados pela primeira vez em um conjunto de dados a partir de uma fonte, conforme definido em retail.config.json. A partir daí, os dados são limpos e projetados para se encaixarem no modelo de aprendizado da máquina. Por fim, o modelo é usado para fazer uma previsão usando nosso conjunto de dados e a partir dos valores previstos e valores reais, as métricas são calculadas. Nesse caso, MAPE, MAE e RMSE são definidos e retornados no metrics
objeto.
O Sensei Model Insights Framework oferecerá suporte a um modelo padrão para cada tipo de algoritmo de aprendizado de máquina. A tabela abaixo mostra classes comuns de algoritmos de aprendizado de máquina de alto nível e métricas de avaliação e visualizações correspondentes.
Tipo de Algoritmo ML | Métricas de avaliação | Visualizações |
---|---|---|
Regressão | - RMSE - MAPE - MASE - MAE |
Curva de sobreposição de valores previstos vs reais |
Classificação binária | - Matriz de perfusão - Precisão - Precisão - pontuação F (especificamente F1,F2) - AUC - ROC |
Matriz de curva e confusão de ROC |
Classificação multiclasse | - Matriz - Para cada classe: - precisão de evocação - pontuação F (especificamente F1, F2) |
Matriz de curva e confusão de ROC |
Agrupamento (sem verdade básica) | - NMI (pontuação normalizada de informação mútua), AMI (pontuação de informação mútua ajustada) - RI (índice Rand), ARI (índice Rand ajustado) - pontuação de homogeneidade, pontuação de integralidade e V-measurement - FMI (índice Fowlkes-Mallows) - Pureza - Índice Jaccard |
Gráfico de clusters mostrando clusters e centróides com tamanhos de cluster relativos refletindo os pontos de dados dentro do cluster |
Agrupamento (sem verdade básica) | - Inércia - Coeficiente de silhueta- CHI (índice Calinski-Harabaz) - DBI (índice Davies-Bouldin) - Índice Dunn |
Gráfico de clusters mostrando clusters e centróides com tamanhos de cluster relativos refletindo os pontos de dados dentro do cluster |
Recomendação | -Precisão média (MAP) - Média de precisão (MAP) normalizada Descontada Ganho acumulado - Média de classificação métrica Recírica K |
TBD |
Casos de uso do TensorFlow | Análise do modelo TensorFlow (TFMA) | Comparação profunda entre o modelo de rede neural e a visualização |
Outro mecanismo de captura de erros | Lógica métrica personalizada (e gráficos de avaliação correspondentes) definida pelo autor do modelo. Tratamento de erros graciosos em caso de incompatibilidade do modelo | Tabela com pares de valores chave para métricas de avaliação |