Delen via

Een verantwoorde AI-inzichten genereren met YAML en Python

  • Artikel

VAN TOEPASSING OP:Azure CLI ml extension v2 (current)Python SDK azure-ai-ml v2 (current)

U kunt een verantwoordelijk AI-dashboard en -scorecard genereren via een pijplijntaak met behulp van verantwoordelijke AI-onderdelen. Er zijn zes kernonderdelen voor het maken van verantwoordelijke AI-dashboards, in combinatie met een aantal helperonderdelen. Hier volgt een voorbeeldexperimentgrafiek:

Schermopname van een voorbeeldexperimentgrafiek.

Verantwoordelijke AI-onderdelen

De belangrijkste onderdelen voor het maken van het verantwoordelijke AI-dashboard in Azure Machine Learning zijn:

  • RAI Insights dashboard constructor
  • De onderdelen van het hulpprogramma:
    • Add Explanation to RAI Insights dashboard
    • Add Causal to RAI Insights dashboard
    • Add Counterfactuals to RAI Insights dashboard
    • Add Error Analysis to RAI Insights dashboard
    • Gather RAI Insights dashboard
    • Gather RAI Insights score card

De onderdelen RAI Insights dashboard constructor en Gather RAI Insights dashboard zijn altijd vereist, plus ten minste één van de onderdelen van het hulpprogramma. Het is echter niet nodig om alle hulpprogramma's in elk verantwoordelijk AI-dashboard te gebruiken.

In de volgende secties zijn specificaties van de verantwoordelijke AI-onderdelen en voorbeelden van codefragmenten in YAML en Python.

Belangrijk

Items die in dit artikel zijn gemarkeerd (preview) zijn momenteel beschikbaar als openbare preview. De preview-versie wordt aangeboden zonder Service Level Agreement en wordt niet aanbevolen voor productieworkloads. Misschien worden bepaalde functies niet ondersteund of zijn de mogelijkheden ervan beperkt. Zie Aanvullende gebruiksvoorwaarden voor Microsoft Azure-previews voor meer informatie.

Beperkingen

De huidige set onderdelen heeft veel beperkingen voor het gebruik:

  • Alle modellen moeten worden geregistreerd in Azure Machine Learning in MLflow-indeling met een sklearn -smaak (scikit-learn).
  • De modellen moeten in de onderdeelomgeving kunnen worden geladen.
  • De modellen moeten pickleable zijn.
  • De modellen moeten worden geleverd aan de verantwoordelijke AI-onderdelen met behulp van het Fetch Registered Model onderdeel dat we leveren.
  • De invoer van de gegevensset moet een mltable indeling hebben.
  • Er moet een model worden opgegeven, zelfs als er alleen een causale analyse van de gegevens wordt uitgevoerd. U kunt hiervoor de DummyClassifier en DummyRegressor schattingen van scikit-learn gebruiken.

R AI-inzichten dashboardconstructor

Dit onderdeel heeft drie invoerpoorten:

  • Het machine learning-model
  • De trainingsgegevensset
  • De testgegevensset

Als u modelfoutopsporingsinzichten wilt genereren met onderdelen zoals foutanalyse en modeluitleg, gebruikt u de trainings- en testgegevensset die u hebt gebruikt bij het trainen van uw model. Voor onderdelen zoals causale analyse, waarvoor geen model is vereist, gebruikt u de trainingsgegevensset om het causale model te trainen om de causale inzichten te genereren. U gebruikt de testgegevensset om visualisaties van uw Responsible AI-dashboard te vullen.

De eenvoudigste manier om het model op te geven, is door het invoermodel te registreren en naar hetzelfde model te verwijzen in de modelinvoerpoort van RAI Insight Constructor het onderdeel, die verderop in dit artikel wordt besproken.

Notitie

Op dit moment worden alleen modellen in MLflow-indeling en met een sklearn smaak ondersteund.

De twee gegevenssets moeten een mltable indeling hebben. De opgegeven trainings- en testgegevenssets hoeven niet dezelfde gegevenssets te zijn die worden gebruikt bij het trainen van het model, maar ze kunnen hetzelfde zijn. Om prestatieredenen is de testgegevensset standaard beperkt tot 5.000 rijen van de visualisatiegebruikersinterface.

Het constructoronderdeel accepteert ook de volgende parameters:

Parameternaam Omschrijving Type
title Korte beschrijving van het dashboard. String
task_type Hiermee geeft u op of het model bedoeld is voor classificatie, regressie of prognose. Tekenreeks, classification, of regressionforecasting
target_column_name De naam van de kolom in de invoergegevenssets, die het model probeert te voorspellen. String
maximum_rows_for_test_dataset Het maximum aantal rijen dat is toegestaan in de testgegevensset, om prestatieredenen. Geheel getal, standaard ingesteld op 5.000
categorical_column_names De kolommen in de gegevenssets, die categorische gegevens vertegenwoordigen. Optionele lijst met tekenreeksen1
classes De volledige lijst met klassenlabels in de trainingsgegevensset. Optionele lijst met tekenreeksen1
feature_metadata Hiermee geeft u aanvullende informatie op die het dashboard mogelijk nodig heeft, afhankelijk van het taaktype. Voor prognoses moet u opgeven welke kolom de datetime kolom is en welke kolom de time_series_id kolom is. Voor gezichtsvermogen kan dit gemiddelde pixelwaarde of locatiegegevens van een afbeelding bevatten. Optionele lijst met tekenreeksen1
use_model_dependency Hiermee geeft u op of voor het model een afzonderlijke Docker-container moet worden verwerkt vanwege conflicterende afhankelijkheden met het RAI-dashboard. Voor prognoses moet dit zijn ingeschakeld. Normaal gesproken is dit niet ingeschakeld voor andere scenario's. Booleaanse waarde

1 De lijsten moeten worden opgegeven als één JSON-gecodeerde tekenreeks voor categorical_column_names, classesfeature_metadata invoer.

Het constructoronderdeel heeft één uitvoer met de naam rai_insights_dashboard. Dit is een leeg dashboard waarop de afzonderlijke onderdelen van het hulpprogramma werken. Alle resultaten worden aan het eind samengesteld door het Gather RAI Insights dashboard onderdeel.

 create_rai_job: 

    type: command 
    component: azureml://registries/azureml/components/microsoft_azureml_rai_tabular_insight_constructor/versions/<get current version>
    inputs: 
      title: From YAML snippet 
      task_type: regression
      type: mlflow_model
      path: azureml:<registered_model_name>:<registered model version> 
      train_dataset: ${{parent.inputs.my_training_data}} 
      test_dataset: ${{parent.inputs.my_test_data}} 
      target_column_name: ${{parent.inputs.target_column_name}} 
      categorical_column_names: '["location", "style", "job title", "OS", "Employer", "IDE", "Programming language"]'

Causaal toevoegen aan R AI-inzichten dashboard

Dit onderdeel voert een causale analyse uit op de opgegeven gegevenssets. Het heeft één invoerpoort, die de uitvoer van de RAI Insights dashboard constructor. Ook worden de volgende parameters geaccepteerd:

Parameternaam Beschrijving Typ
treatment_features Een lijst met functienamen in de gegevenssets, die mogelijk 'behandelbaar' zijn om verschillende resultaten te verkrijgen. Lijst met tekenreeksen2.
heterogeneity_features Een lijst met functienamen in de gegevenssets, wat van invloed kan zijn op de werking van de 'behandelbare' functies. Standaard worden alle functies overwogen. Optionele lijst met tekenreeksen2.
nuisance_model Het model dat wordt gebruikt om het resultaat van het wijzigen van de behandelfuncties te schatten. Optionele tekenreeks. Moet zijn linear of AutoML, standaard ingesteld op linear.
heterogeneity_model Het model dat wordt gebruikt om het effect van de heterogeneiteitsfuncties op het resultaat te schatten. Optionele tekenreeks. Moet zijn linear of forest, standaard ingesteld op linear.
alpha Betrouwbaarheidsniveau van betrouwbaarheidsintervallen. Optioneel drijvende-kommanummer, wordt standaard ingesteld op 0,05.
upper_bound_on_cat_expansion De maximale uitbreiding van categorische functies. Optioneel geheel getal, standaard ingesteld op 50.
treatment_cost De kosten van de behandelingen. Als 0, hebben alle behandelingen geen kosten. Als een lijst wordt doorgegeven, wordt elk element toegepast op een van de treatment_features.

Elk element kan een scalaire waarde zijn om een constante kosten aan te geven voor het toepassen van die behandeling of een matrix die de kosten voor elke steekproef aangeeft. Als de behandeling een discrete behandeling is, moet de matrix voor die functie tweedimensionaal zijn, waarbij de eerste dimensie steekproeven vertegenwoordigt en de tweede het verschil in kosten tussen de niet-standaardwaarden en de standaardwaarde.		 Optioneel geheel getal of lijst2.
min_tree_leaf_samples Het minimum aantal steekproeven per blad in de beleidsstructuur. Optioneel geheel getal, standaard ingesteld op 2.
max_tree_depth De maximale diepte van de beleidsstructuur. Optioneel geheel getal, standaard ingesteld op 2.
skip_cat_limit_checks Categorische functies moeten standaard meerdere exemplaren van elke categorie hebben, zodat een model robuust past. Als u dit instelt True , worden deze controles overgeslagen. Optionele Booleaanse waarde, standaard ingesteld op False.
categories De categorieën die moeten worden gebruikt voor de categorische kolommen. Als auto, worden de categorieën afgeleid voor alle categorische kolommen. Anders moet dit argument zoveel vermeldingen bevatten als er categorische kolommen zijn.

Elke vermelding moet auto de waarden voor die kolom of de lijst met waarden voor de kolom afleiden. Als er expliciete waarden worden opgegeven, wordt de eerste waarde beschouwd als de 'besturingswaarde' voor die kolom waarmee andere waarden worden vergeleken.		 Optioneel of auto lijst2.
n_jobs Het te gebruiken niveau van parallelle uitvoering. Optioneel geheel getal, standaard ingesteld op 1.
verbose Geeft aan of er gedetailleerde uitvoer moet worden opgegeven tijdens de berekening. Optioneel geheel getal, standaard ingesteld op 1.
random_state Seed for the pseudorandom number generator (PRNG). Optioneel geheel getal.

2 Voor de list parameters: Verschillende parameters accepteren lijsten van andere typen (tekenreeksen, getallen, zelfs andere lijsten). Als u deze wilt doorgeven aan het onderdeel, moeten ze eerst JSON-gecodeerd zijn in één tekenreeks.

Dit onderdeel heeft één uitvoerpoort, die kan worden verbonden met een van de insight_[n] invoerpoorten van het Gather RAI Insights Dashboard onderdeel.

  causal_01: 
    type: command 
    component: azureml://registries/azureml/components/microsoft_azureml_rai_tabular_causal/versions/<version>
    inputs: 
      rai_insights_dashboard: ${{parent.jobs.create_rai_job.outputs.rai_insights_dashboard}} 
      treatment_features: `["Number of GitHub repos contributed to", "YOE"]'

Counterfactuals toevoegen aan R AI-inzichten-dashboard

Dit onderdeel genereert contrafactuele punten voor de opgegeven testgegevensset. Het heeft één invoerpoort, die de uitvoer van de R AI-inzichten dashboardconstructor accepteert. Ook worden de volgende parameters geaccepteerd:

Parameternaam Omschrijving Type
total_CFs Het aantal contrafactuele punten dat moet worden gegenereerd voor elke rij in de testgegevensset. Optioneel geheel getal, standaard ingesteld op 10.
method De dice-ml uitleg die moet worden gebruikt. Optionele tekenreeks. Ofwel random, geneticof kdtree. Standaard ingesteld op random.
desired_class Index die de gewenste contrafactuele klasse identificeert. Voor binaire classificatie moet dit worden ingesteld op opposite. Optionele tekenreeks of geheel getal. De standaardwaarde is 0.
desired_range Voor regressieproblemen identificeert u het gewenste bereik van resultaten. Optionele lijst met twee getallen3.
permitted_range Woordenlijst met functienamen als sleutels en het toegestane bereik in een lijst als waarden. Standaard ingesteld op het bereik dat is afgeleid van trainingsgegevens. Optionele tekenreeks of lijst3.
features_to_vary Een tekenreeks all of een lijst met functienamen die variëren. Optionele tekenreeks of lijst3.
feature_importance Vlag om het berekenen van functiebelangen mogelijk te maken met behulp van dice-ml. Optioneel Booleaanse waarde. Standaard ingesteld op True.

3 Voor de niet-scalaire parameters: Parameters die lijsten of woordenlijsten zijn, moeten worden doorgegeven als enkele JSON-gecodeerde tekenreeksen.

Dit onderdeel heeft één uitvoerpoort, die kan worden verbonden met een van de insight_[n] invoerpoorten van het Gather RAI Insights dashboard onderdeel.

 counterfactual_01: 
    type: command 
    component: azureml://registries/azureml/components/microsoft_azureml_rai_tabular_counterfactual/versions/<version>
    inputs: 
      rai_insights_dashboard: ${{parent.jobs.create_rai_job.outputs.rai_insights_dashboard}} 
      total_CFs: 10 
      desired_range: "[5, 10]"

Foutanalyse toevoegen aan R AI-inzichten-dashboard

Dit onderdeel genereert een foutanalyse voor het model. Het heeft één invoerpoort, die de uitvoer van de RAI Insights Dashboard Constructor. Ook worden de volgende parameters geaccepteerd:

Parameternaam Omschrijving Type
max_depth De maximale diepte van de foutanalysestructuur. Optioneel geheel getal. Standaardwaarde is 3.
num_leaves Het maximum aantal bladeren in de foutstructuur. Optioneel geheel getal. De standaardwaarde is 31.
min_child_samples Het minimale aantal gegevenspunten dat nodig is om een blad te produceren. Optioneel geheel getal. De standaardwaarde is 20.
filter_features Een lijst met een of twee functies die moeten worden gebruikt voor het matrixfilter. Optionele lijst, die moet worden doorgegeven als één met JSON gecodeerde tekenreeks.

Dit onderdeel heeft één uitvoerpoort, die kan worden verbonden met een van de insight_[n] invoerpoorten van het Gather RAI Insights Dashboard onderdeel.

  error_analysis_01: 
    type: command 
    component: azureml://registries/azureml/components/microsoft_azureml_rai_tabular_erroranalysis/versions/<version>
    inputs: 
      rai_insights_dashboard: ${{parent.jobs.create_rai_job.outputs.rai_insights_dashboard}} 
      filter_features: `["style", "Employer"]'

Uitleg toevoegen aan R AI-inzichten dashboard

Dit onderdeel genereert een uitleg voor het model. Het heeft één invoerpoort, die de uitvoer van de RAI Insights Dashboard Constructor. Er wordt één, optionele opmerkingstekenreeks als parameter geaccepteerd.

Dit onderdeel heeft één uitvoerpoort, die kan worden verbonden met een van de insight_[n] invoerpoorten van het dashboardonderdeel Gather R AI-inzichten.

  explain_01: 
    type: command 
    component: azureml://registries/azureml/components/microsoft_azureml_rai_tabular_explanation/versions/<version>
    inputs: 
      comment: My comment 
      rai_insights_dashboard: ${{parent.jobs.create_rai_job.outputs.rai_insights_dashboard}}

R AI-inzichten-dashboard verzamelen

Dit onderdeel verzamelt de gegenereerde inzichten in één verantwoordelijk AI-dashboard. Er zijn vijf invoerpoorten:

  • De constructor poort die moet worden verbonden met het onderdeel R AI-inzichten dashboardconstructor.
  • Vier insight_[n] poorten die kunnen worden verbonden met de uitvoer van de onderdelen van het hulpprogramma. Ten minste één van deze poorten moet zijn verbonden.

Er zijn twee uitvoerpoorten:

  • De dashboard poort bevat het voltooide RAIInsights object.
  • De ux_json poort bevat de gegevens die nodig zijn om een minimaal dashboard weer te geven.
  gather_01: 
    type: command 
    component: azureml://registries/azureml/components/microsoft_azureml_rai_tabular_insight_gather/versions/<version>
    inputs: 
      constructor: ${{parent.jobs.create_rai_job.outputs.rai_insights_dashboard}} 
      insight_1: ${{parent.jobs.causal_01.outputs.causal}} 
      insight_2: ${{parent.jobs.counterfactual_01.outputs.counterfactual}} 
      insight_3: ${{parent.jobs.error_analysis_01.outputs.error_analysis}} 
      insight_4: ${{parent.jobs.explain_01.outputs.explanation}}

Een verantwoordelijke AI-scorecard genereren (preview)

Voor de configuratiefase moet u uw domeinexpertise over het probleem gebruiken om de gewenste doelwaarden in te stellen voor modelprestaties en metrische gegevens over redelijkheid.

Net als andere verantwoordelijke AI-dashboardonderdelen die zijn geconfigureerd in de YAML-pijplijn, kunt u een onderdeel toevoegen om de scorecard te genereren in de YAML-pijplijn:

scorecard_01: 

   type: command 
   component: azureml:rai_score_card@latest 
   inputs: 
     dashboard: ${{parent.jobs.gather_01.outputs.dashboard}} 
     pdf_generation_config: 
       type: uri_file 
       path: ./pdf_gen.json 
       mode: download 

     predefined_cohorts_json: 
       type: uri_file 
       path: ./cohorts.json 
       mode: download

Waar pdf_gen.json het JSON-bestand voor het genereren van scorekaarten is en predifined_cohorts_json id het vooraf gedefinieerde JSON-bestand voor cohortdefinities.

Hier volgt een voorbeeld van een JSON-bestand voor cohortdefinities en scorecard-generatieconfiguratie:

Cohortdefinitie:

[ 
  { 
    "name": "High Yoe", 
    "cohort_filter_list": [ 
      { 
        "method": "greater", 
        "arg": [ 
          5 
        ], 
        "column": "YOE" 
      } 
    ] 
  }, 
  { 
    "name": "Low Yoe", 
    "cohort_filter_list": [ 
      { 
        "method": "less", 
        "arg": [ 
          6.5 
        ], 
        "column": "YOE" 
      } 
    ] 
  } 
]

Hier volgt een scorecard-generatieconfiguratiebestand als voorbeeld van regressie:

{ 
  "Model": { 
    "ModelName": "GPT-2 Access", 
    "ModelType": "Regression", 
    "ModelSummary": "This is a regression model to analyze how likely a programmer is given access to GPT-2" 
  }, 
  "Metrics": { 
    "mean_absolute_error": { 
      "threshold": "<=20" 
    }, 
    "mean_squared_error": {} 
  }, 
  "FeatureImportance": { 
    "top_n": 6 
  }, 
  "DataExplorer": { 
    "features": [ 
      "YOE", 
      "age" 
    ] 
  }, 
  "Fairness": {
    "metric": ["mean_squared_error"],
    "sensitive_features": ["YOUR SENSITIVE ATTRIBUTE"],
    "fairness_evaluation_kind": "difference OR ratio"
  },
  "Cohorts": [ 
    "High Yoe", 
    "Low Yoe" 
  ]  
}

Hier volgt een scorecard-generatieconfiguratiebestand als classificatievoorbeeld:

{
  "Model": {
    "ModelName": "Housing Price Range Prediction",
    "ModelType": "Classification",
    "ModelSummary": "This model is a classifier that predicts whether the house will sell for more than the median price."
  },
  "Metrics" :{
    "accuracy_score": {
        "threshold": ">=0.85"
    },
  }
  "FeatureImportance": { 
    "top_n": 6 
  }, 
  "DataExplorer": { 
    "features": [ 
      "YearBuilt", 
      "OverallQual", 
      "GarageCars"
    ] 
  },
  "Fairness": {
    "metric": ["accuracy_score", "selection_rate"],
    "sensitive_features": ["YOUR SENSITIVE ATTRIBUTE"],
    "fairness_evaluation_kind": "difference OR ratio"
  }
}

Definitie van invoer voor het onderdeel Verantwoordelijke AI-scorecard

In deze sectie worden de parameters vermeld en gedefinieerd die vereist zijn voor het configureren van het onderdeel Responsible AI-scorecard.

Modelleren

ModelName Naam van model
ModelType Waarden in ['classificatie', 'regressie'].
ModelSummary Voer tekst in waarmee wordt samengevat waarvoor het model is bedoeld.

Notitie

Voor classificatie met meerdere klassen moet u eerst de One-vs-Rest-strategie gebruiken om uw referentieklasse te kiezen en vervolgens uw classificatiemodel met meerdere klassen te splitsen in een binair classificatieprobleem voor de geselecteerde referentieklasse versus de rest van de klassen.

Metrische gegevens

Metrische prestatiegegevens Definitie Modeltype
accuracy_score Het deel van de gegevenspunten die correct zijn geclassificeerd. Classificatie
precision_score De fractie van gegevenspunten die correct zijn geclassificeerd onder de gegevenspunten die zijn geclassificeerd als 1. Classificatie
recall_score De fractie van gegevenspunten die correct zijn geclassificeerd onder de gegevenspunten waarvan het werkelijke label 1 is. Alternatieve namen: terecht positieve snelheid, gevoeligheid. Classificatie
f1_score De F1-score is het harmonische gemiddelde van precisie en relevante overeenkomsten. Classificatie
error_rate Het aandeel exemplaren dat verkeerd is geclassificeerd over de hele set exemplaren. Classificatie
mean_absolute_error Het gemiddelde van absolute waarden van fouten. Robuuster voor uitbijters dan mean_squared_error. Regressie
mean_squared_error Het gemiddelde van kwadratische fouten. Regressie
median_absolute_error De mediaan van kwadratische fouten. Regressie
r2_score De breuk van de variantie in de labels die door het model worden uitgelegd. Regressie

Drempelwaarde: de gewenste drempelwaarde voor de geselecteerde metrische waarde. Toegestane wiskundige tokens zijn>, ><=en <=m, gevolgd door een reëel getal. Bijvoorbeeld: >= 0,75 betekent dat het doel voor de geselecteerde metriek groter is dan of gelijk is aan 0,75.

Urgentie van functies

top_n: het aantal functies dat moet worden weergegeven, met een maximum van 10. Positieve gehele getallen tot 10 zijn toegestaan.

Eerlijkheid

Metrische gegevens Definitie
metric De primaire meetwaarde voor de billijkheid van de evaluatie.
sensitive_features Een lijst met functienamen uit de invoergegevensset die moet worden aangewezen als gevoelige functies voor het fairness-rapport.
fairness_evaluation_kind Waarden in ['verschil', 'ratio'].
threshold De gewenste doelwaarden van de fairness-evaluatie. Toegestane wiskundige tokens zijn>, =<>en <=, gevolgd door een reëel getal.
Bijvoorbeeld: metric="accuracy", fairness_evaluation_kind="difference".
<= 0,05 betekent dat het doel voor het verschil in nauwkeurigheid kleiner is dan of gelijk is aan 0,05.

Notitie

Uw keuze (het selecteren van fairness_evaluation_kind 'verschil' versus 'ratio') is van invloed op de schaal van uw doelwaarde. Zorg ervoor dat u in uw selectie een zinvolle doelwaarde kiest.

U kunt kiezen uit de volgende metrische gegevens, gekoppeld aan fairness_evaluation_kind, om uw beoordelingsonderdeel voor redelijkheid van de scorecard te configureren:

Metrische gegevens fairness_evaluation_kind Definitie Modeltype
accuracy_score verschil Het maximale verschil in nauwkeurigheidsscore tussen twee groepen. Classificatie
accuracy_score verhouding De minimale verhouding in nauwkeurigheidsscore tussen twee groepen. Classificatie
precision_score verschil Het maximale verschil in precisiescore tussen twee groepen. Classificatie
precision_score verhouding De maximale verhouding in precisiescore tussen twee groepen. Classificatie
recall_score verschil Het maximumverschil in de relevante score tussen twee groepen. Classificatie
recall_score verhouding De maximale verhouding in relevante overeenkomsten tussen twee groepen. Classificatie
f1_score verschil Het maximumverschil in f1-score tussen twee groepen. Classificatie
f1_score verhouding De maximale verhouding in f1-score tussen twee groepen. Classificatie
error_rate verschil Het maximale verschil in foutpercentage tussen twee groepen. Classificatie
error_rate verhouding De maximale verhouding in foutpercentage tussen twee groepen. Classificatie
Selection_rate verschil Het maximale verschil in selectiesnelheid tussen twee groepen. Classificatie
Selection_rate verhouding De maximale verhouding in selectiesnelheid tussen twee groepen. Classificatie
mean_absolute_error verschil Het maximale verschil in gemiddelde absolute fout tussen twee groepen. Regressie
mean_absolute_error verhouding De maximale verhouding in gemiddelde absolute fout tussen twee groepen. Regressie
mean_squared_error verschil Het maximale verschil in gemiddelde kwadratische fout tussen twee groepen. Regressie
mean_squared_error verhouding De maximale verhouding in gemiddelde kwadratische fout tussen twee groepen. Regressie
median_absolute_error verschil Het maximale verschil in mediaan absolute fout tussen twee groepen. Regressie
median_absolute_error verhouding De maximale verhouding in mediaan absolute fout tussen twee groepen. Regressie
r2_score verschil Het maximumverschil in R2 score tussen twee groepen. Regressie
r2_Score verhouding De maximale verhouding in R2 score tussen twee groepen. Regressie

Invoerbeperkingen

Welke modelindelingen en smaken worden ondersteund?

Het model moet zich in de MLflow-map bevinden met een sklearn-smaak die beschikbaar is. Daarnaast moet het model worden geladen in de omgeving die wordt gebruikt door de verantwoordelijke AI-onderdelen.

Welke gegevensindelingen worden ondersteund?

De opgegeven gegevenssets moeten gegevens in tabelvorm bevatten mltable .

Volgende stappen