Explicabilité du modèle

Analysez l’importance de chaque champ d’entrée pour les prédictions de votre modèle à l’aide de l’explicabilité du modèle. Créez un modèle de classification du workflow qui inclut une analyse graphique de l’importance des fonctionnalités en exécutant le script fourni.

Avant de commencer

• Cette méthode utilise l’API de solution de classification du workflow, au lieu du formulaire de définition de solution, pour créer et former un modèle avec l’explicabilité ajoutée. Pour plus d’informations sur les composants des modèles de classification du workflow, reportez-vous à la section Créer et former une solution de classification.
• Rôle requis : ml_admin ou admin

Pourquoi et quand exécuter cette tâche

L’explicabilité du modèle permet d’identifier les fonctionnalités clés qui influencent les prédictions du modèle pendant l’entraînement.

Remarque :

L’explicabilité ne peut pas être ajoutée à un modèle existant. Cette méthode utilise un script pour créer et former un nouveau modèle de classification du workflow. Pour plus d’informations sur la création de scripts pour la création de solutions de classification, reportez-vous à la section ClassificationSolution - Global.

Le script fourni dans la procédure crée et forme un modèle dont l’explicabilité est définie sur vrai. Sur le formulaire de solution du nouveau modèle, un onglet supplémentaire intitulé Importance de la fonctionnalité s’affiche. Cet onglet propose un graphique de la contribution relative de chaque entrée à la prédiction.

Procédure

1. Accédez à la Tous > Définition du système > Scripts - Arrière-plan.
2. Modifiez le filtre de requête et les valeurs de table, de champ et de variables dans le script suivant en fonction de votre modèle planifié, puis exécutez le script.

   // Define a dataset
                       var myIncidentData = new sn_ml.DatasetDefinition({
                       'tableName': 'incident',
                       'fieldNames': ['category', 'short_description', 'sys_updated_by', 'assignment_group', 'description', 'priority'],
                       'encodedQuery': 'activeANYTHING'
                       });
                       
                       // Define a classification solution definition with explainability field
                       var mySolution = new sn_ml.ClassificationSolution({
                       'label': 'model explainability',
                       'dataset': myIncidentData,
                       'predictedFieldName': 'category',
                       'inputFieldNames': ['short_description', 'priority'],
                       //setting the explainability field to true.
                       'explainability': true,
                       });
                       
                       // Add solution to ClassificationSolutionStore
                       var my_unique_name = sn_ml.ClassificationSolutionStore.add(mySolution)
                       
                       // Submit training job
                       var solutionVersion = mySolution.submitTrainingJob();
                   

   Remarque :

   Remplacez le filtre de requête et les noms de table, de champ et de variable contenus dans ce script par vos propres valeurs.
3. Accédez à la table Solutions ML [ml_solution] et ouvrez votre nouvelle solution en sélectionnant la valeur de son champ Actif .
4. Dans le formulaire de solution, recherchez et ouvrez l’onglet Importance de la fonctionnalité .
   Importance de la fonctionnalité affiche une liste déroulante.

   

   • L’étiquette de cette liste déroulante est le nom de votre champ de sortie (prévu), l’étiquette est donc spécifique à chaque modèle.
   • Les valeurs de la liste déroulante sont les classes de sortie possibles pour votre champ de sortie, ainsi que l’option Global .

   Option de liste	Description
   Global	Fournit une vue d’ensemble du comportement du modèle dans toutes les prédictions, montrant l’impact global de chaque fonctionnalité d’entrée. Sélectionnez Global pour ouvrir un graphique de l’importance de vos champs d’entrée pour les prédictions pour toutes les classes de sortie dans leur ensemble.
   Votre valeur de classe de sortie	Se concentre sur le comportement du modèle pour la classe choisie uniquement, en montrant comment les fonctionnalités en entrée contribuent aux prédictions pour chaque classe. Sélectionnez l’une des classes de sortie possibles pour ouvrir un graphique de l’importance de vos champs d’entrée pour les prédictions de cette classe.

5. Lancez l’analyse graphique en sélectionnant une valeur dans la liste déroulante.
   L’axe des Y affiche vos champs d’entrée et l’axe des X indique l’importance numérique de chaque entrée. L’étiquette du graphique reflète la classe que vous avez choisie dans la liste déroulante.
   Vous pouvez passer la souris au-dessus d’une barre pour afficher le pourcentage numérique correspondant à l’importance de chaque entrée.

Résultats

Une valeur d’importance positive signifie que le champ d’entrée augmente le score de prédiction du modèle. Une valeur négative signifie que le champ d’entrée diminue le score de prédiction.

Que faire ensuite

Envisagez de supprimer les champs d’entrée avec des scores d’importance faibles. Reformer votre modèle après la modification.

Concepts associés

• Utilisation des API d’apprentissage machine

Tâches associées

• Créer et former une solution de classification

Information associée

• ClassificationSolution - Global