What-If 工具：无需写代码，即可测试机器学习模型

最新推荐文章于 2024-08-24 09:11:18 发布
最新推荐文章于 2024-08-24 09:11:18 发布
阅读量2k 收藏 5
点赞数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/TensorFlowers/article/details/83001638
版权
What-If工具是Google AI PAIR推出的一款TensorFlow集成的开源应用，它提供了一个交互式的视觉界面，允许用户在不编写代码的情况下分析机器学习模型。该工具支持数据可视化、反事实场景探索、模型预测影响分析等功能，尤其适用于测试模型的公平性和性能。通过What-If工具，可以深入理解模型决策边界，发现模型在不同群体中的表现差异，有助于提升模型的可解释性和公平性。
摘要由CSDN通过智能技术生成

文 / Google AI 软件工程师 James Wexler

来源 | TensorFlow 公众号

构建有效的机器学习 (ML) 系统需要提出许多问题。仅仅训练一个模型，然后放任不管，是远远不够的。而优秀的开发者就像侦探一样，总是不断探索，试图更好地理解自己的模型：数据点的变化对模型的预测结果有何影响？对于不同的群体，例如在历史上被边缘化的人群，模型的表现是否有所不同？用于测试模型的数据集的多样化程度如何？

要回答这些类型的问题并不容易。探索 “What-If” 场景通常意味着编写一次性的自定义代码来分析特定模型。此过程不仅效率低下，而且非编程人员很难参与塑造和改进 ML 模型的过程。Google AI PAIR 计划的一个重点就是让广大用户能够更轻松地检查、评估和调试 ML 系统。

我们发布了 What-If 工具（https://pair-code.github.io/what-if-tool/），这是开源 TensorBoard 网络应用的一个新功能，可以让用户在无需编写代码的情况下分析 ML 模型。在给定 TensorFlow 模型和数据集指针的前提下，What-If 工具可为模型结果探索提供交互式可视界面。

在这里插入图片描述
What-If 工具：展示了一组面部图片（共 250 张），以及微笑检测模型得出的结果

What-If

最低0.47元/天 解锁文章
TensorFlowers
关注
一文搞定机器学习中的“模型可解释性”
风口IT猪的成长录
04-25 250
机器学习是最近许多科技进步的核心。随着计算机在围棋等游戏中击败专业人士，许多人开始询问，机器是否也能成为更好的司机，甚至更好的医生。如果⼀个机器学习模型运⾏良好，为什么我们仅仅信任该模型⽽忽略为什么做出特定的决策呢？诸如分类准确性之类的单⼀指标⽆法完整地描述⼤多数实际任务。当涉及到预测模型时，需要作出权衡：**你是只想知道预测是什么？**例如，客户流失的概率或某种药物对病⼈的疗效。**还是想知道为什么做出这样的预测？**这种情况下可能为了可解释性付出预测性能下降的代价。
AI：227-利用机器学习实现语音情感合成：技术框架与应用实例
一键难忘的博客
08-10 2179
语音合成（Text-to-Speech, TTS）技术已经相对成熟，但合成语音往往缺乏情感表达，使其听起来机械而生硬。为了使合成语音更具自然性和情感表达，研究人员开始探索如何将情感信息嵌入到语音合成系统中。在本文中，我们详细探讨了利用机器学习进行语音情感合成的各个方面。背景介绍：语音情感合成是指利用机器学习技术生成带有特定情感的语音，广泛应用于智能助手、情感机器人等领域。相关技术：我们介绍了多任务学习、深度神经网络、生成对抗网络等关键技术，以及Tacotron 2和WaveGlow等前沿模型。
what-if-tool:假设工具的源代码网页演示
05-11
假设工具 （WIT）提供了易于使用的界面，用于扩展对黑匣子分类或回归ML模型的理解。 使用该插件，您可以对大量示例进行推断，并以各种方式立即可视化结果。 此外，可以手动或以编程方式编辑示例，然后重新运行模型以查看更改结果。 它包含用于调查数据集子集的模型性能和公平性的工具。 该工具的目的是为人们提供一种简单，直观且功能强大的方法，通过视觉界面在一组数据上使用经过训练的ML模型进行操作，而无需任何代码。 可以通过TensorBoard或Jupyter或笔记本中的扩展程序访问该工具。 我不想读这份文件。 我可以玩演示吗？ 在的查看大量的Web和colab演示。 要自己构建Web演示，请执行以下操作： 数据集： 任务：根据人口普查信息预测某人的收入是否高于或低于5万美元 要通过代码构建和运行演示， bazel run wit_dashboard/demo:demoserver ： b
探索ML模型的未来：What-If工具
gitblog_00016的博客
05-16 403
探索ML模型的未来：What-If工具 项目地址:https://gitcode.com/PAIR-code/what-if-tool What-If工具是一个强大的可视化界面，专为理解黑盒分类或回归机器学习（ML）模型设计。它允许你对大量实例进行推理，并以各种方式立即查看结果。更重要的是，你可以手动或通过编程修改例子，然后重新运行模型以观察变化的影响。此外，它还提供了针对数据子集检查模型性能和...
泣血整理，Jupyter Notebook最常用的五大配置技巧
分享Python、数据分析、人工智能前沿知识
07-28 987
配置文件，顾名思义就是可以修改Jupyter各种配置的文件。想要修改Jupyter那些默认的配置选项，就需要在配置文件中修改相应配置选项的属性。这个配置文件一开始并不存在，需要手动生成。方式很简单，在命令行输入并执行，配置文件就创建好了，它的位置是在中。配置文件是关键，后面都要用到的。再说一遍，Jupyter是个神奇的工具，生产力与趣味性兼具，实用与美观并存。用好它，python会更加大放异彩的。
What-If Tools
多头注意力探索Now
12-13 52
模型分析工具@google
What - If 分析法2
01-15
What - If 分析法What - If 分析法What - If 分析法
无需写代码！谷歌推出机器学习模型分析神器，代号What-If
量子位
09-12 935
铜灵 编译整理量子位 出品 | 公众号 QbitAI今天，谷歌推出了已开源的TensorFlow可视化工具TensorBoard中一项新功能：What-If Tool，用...
Power BI强强联合Python 机器学习能力做What if分析
Pauline2016的博客
05-05 1402
Power BI强强联合Python 机器学习能力做What if分析 传统报表分析通常建立在既成事实的业务数据上，我们如何结合Python的机器学习预测能力在Power BI中做what if 分析。本篇以预测公司员工离职率为例做what if 分析。分析训练数据来源于kagge 新的改变 我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了...
ML之PFI：机器学习可解释性之PFI/Permutation排列重要性/置换重要性算法之机器学习模型中哪些特征很重要？
近期请国内外头部出版社可尽快私信博主！——心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，谦虚，自律，反思，成长，还算是比较正能量的博主，公益免费传播……内心特别想在AI界做出一些可以推进历史进程影响力的东西(兴趣使然，有点小情怀，也有点使命感呀)…
07-11 3828
​ ML之PFI：机器学习可解释性之PFI/Permutation排列重要性/置换重要性算法之机器学习模型中哪些特征很重要？ 目录 机器学习可解释性之特征置换重要性之机器学习模型中哪些特征很重要？ 相关文章 ML：机器学习可解释性之模型洞察之为什么以及什么时候你需要洞察力? ML之PFI：机器学习可解释性之特征置换重要性之机器学习模型中哪些特征很重要？ ML之PDP：机器学习可解释性之部分依赖图之每个特征如何影响您的预测？ ML之SHAP：机器学习可解释性之SHAP值之理解单样本单特征预测 M
What - If 分析法
01-15
What - If 分析法What - If 分析法
WhatIf 开源项目安装与使用指南
最新发布
gitblog_00320的博客
08-24 492
WhatIf 开源项目安装与使用指南 WhatIf☔ Fluent syntactic sugar of Kotlin for handling single if-else statements, nullable, collections, and booleans.项目地址:https://gitcode.com/gh_mirrors/wh/WhatIf 一、项目目录结构及介绍 What...
3个案例讲清如何构建“What-if分析”，教你轻松玩转动态参数
AI+BI,大数据分析,数据可视化,商业智能,数据驾驶舱 - 观远数据
11-20 9598
在一般的数据分析中，我们用到最多的就是筛选、聚合、排序、对比这些常规分析方法。然而在某些情况下，我们也会遇到一些需要通过调参来实现数据的动态调整，进而根据不同结果来采取最优决策的分析场景。 有一个专有的名词用来描述这类分析场景——What-if分析。 假设分析是一种评估的程序，假设如果采取不同的策略方案会产生何种结果，以便作最佳的决策。例如若更改实际预测、生产计划和存货水准会有什么结果，再根据...
案例讲清如何构建“What-if分析”，教你轻松玩转动态参数
张晨光老师的播客
04-07 1948
在一般的数据分析中，我们用到最多的就是筛选、聚合、排序、对比这些常规分析方法。然而在某些情况下，我们也会遇到一些需要通过调参来实现数据的动态调整，进而根据不同结果来采取最优决策的分析场景。 有一个专有的名词用来描述这类分析场景——What-if分析。 假设分析是一种评估的程序，假设如果采取不同的策略方案会产生何种结果，以便作最佳的决策。例如若更改实际预测、生产计划和存货水准会有什么结果，再根...
what if 使用demo
qq_34218221的博客
12-04 559
假设工具从头开始 - 从CSV到经过培训的二进制分类模型到假设工具使用 这个笔记本显示了从CSV加载数据集的过程，训练一个非常简单的分类器，预测其中一列，然后使用假设工具（WIT）分析训练数据集和训练数据model。 这个笔记本使用了UCI Census数据集和学习问题，详情请参阅 https://archive.ics.uci.edu/ml/datasets/census+income，...
用Excel做What-If Scenario Analysis
热门推荐
James Zhou's blog
04-08 2万+
What-If Scenario Analysis是一种根据各种假设条件来进行预测的方法，可以用于预测项目进度，这篇文章介绍了使用Excel中的What-If Analysis的功能来进行一个财务预测，很是实用。
【大数据专业】机器学习之模型调优的评估工具 验证曲线 学习曲线
weixin_50989751的博客
04-27 1771
机器学习之模型调优的评估工具 验证曲线 学习曲线
谈谈机器学习模型的可解释性
chuyi0143的博客
07-02 1355
随着AI和机器学习的发展，越来越多的决策会交给自动化的机器学习算法来做。但是当我们把一些非常重要的决定交给机器的时候，我们真的放心么？当波音飞机忽略驾驶员的指令，决定义无反顾的冲向大地；当银行系统莫名其妙否决你的贷款申请的时候；当自动化敌我识别武器系统决定向无辜平民开火的时候；人类的内心应该是...
python机器学习智能问答系统
11-30
Python机器学习智能问答系统是一种基于自然语言处理和机器学习技术的智能问答系统，可以回答用户提出的问题。以下是一个简单的Python机器学习智能问答系统的实现步骤： 1. 收集和整理数据：从各种来源收集和整理数据，包括文本、图像、音频等。 2. 数据预处理：对数据进行清洗、分词、去除停用词、词干提取等预处理操作，以便后续的特征提取和模型训练。 3. 特征提取：将预处理后的数据转换为机器学习算法可以处理的特征向量，常用的特征提取方法包括词袋模型、TF-IDF、Word2Vec等。 4. 模型训练：使用机器学习算法对特征向量进行训练，得到一个可以回答问题的模型。 5. 问题回答：将用户提出的问题转换为特征向量，使用训练好的模型进行预测，得到问题的答案。 以下是一个简单的Python机器学习智能问答系统的代码实现： ```python import nltk import numpy as np import pandas as pd import sklearn import string import re from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.metrics.pairwise import cosine_similarity # 加载数据 data = pd.read_csv('data.csv') # 数据预处理 def preprocess(text): # 去除标点符号 text = text.translate(str.maketrans('', '', string.punctuation)) # 转换为小写 text = text.lower() # 分词 tokens = nltk.word_tokenize(text) # 去除停用词 stop_words = set(nltk.corpus.stopwords.words('english')) tokens = [token for token in tokens if token not in stop_words] # 词干提取 stemmer = nltk.stem.PorterStemmer() tokens = [stemmer.stem(token) for token in tokens] # 返回处理后的文本 return ' '.join(tokens) data['processed_text'] = data['text'].apply(preprocess) # 特征提取 vectorizer = TfidfVectorizer() features = vectorizer.fit_transform(data['processed_text']) # 模型训练 def get_answer(question): # 预处理问题 question = preprocess(question) # 转换为特征向量 question_vec = vectorizer.transform([question]) # 计算问题和每个文本之间的相似度 sims = cosine_similarity(question_vec, features) # 找到最相似的文本 index = np.argmax(sims) # 返回答案 return data.iloc[index]['answer'] # 问题回答 question = 'What is Python?' answer = get_answer(question) print(answer) ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值