Résumé
Dans ce modèle de code, apprenez à utiliser un ensemble de données sur le diabète pour prédire si une personne est sujette au diabète. Le modèle de code explore l'équité, l'explicabilité et la robustesse des modèles prédictifs et améliore l'efficacité du système prédictif d'IA. Le modèle de code illustre la solution de bout en bout et montre comment:
- Vérifiez l'équité de l'ensemble de données sur le diabète à l'aide de la boîte à outils AI 360 Fairness
- Développer le modèle
- Expliquez le modèle à l'aide de la boîte à outils d'explicabilité AI 360
Le modèle de code partage le modèle de code générique pour l'ensemble du processus de bout en bout des étapes précédentes. Par conséquent, il peut être utilisé pour brancher n'importe quel ensemble de données pour lequel vous souhaitez explorer l'équité et l'explicabilité.
Description
L'équité est le processus consistant à comprendre les biais introduits par vos données et à garantir que votre modèle fournit des prévisions équitables pour tous les groupes démographiques. L'explicabilité montre comment un modèle d'apprentissage automatique fait ses prédictions. Il donne une meilleure compréhension du modèle en clarifiant le fonctionnement du modèle.
Dans ce modèle de code, vous utilisez un ensemble de données sur le diabète pour prédire si une personne est sujette au diabète. Vous utilisez IBM Watson® Studio, IBM Cloud Object Storage, AI Explainability 360 Toolkit et AI Fairness 360 Toolkit pour créer les données, appliquer l'algorithme d'atténuation des biais, puis analyser les résultats.
Après avoir terminé ce modèle de code, vous comprendrez comment:
- Créer un projet à l'aide de Watson Studio
- Utilisez la boîte à outils AI Explainability 360
- Utilisez la boîte à outils AI Fairness 360
Flow
- Connectez-vous à IBM Watson Studio optimisé par Spark, lancez IBM Cloud Object Storage et créez un projet.
- Téléchargez le fichier de données .csv dans IBM Cloud Object Storage.
- Chargez le fichier de données dans le bloc-notes Watson Studio.
- Installez AI Explainability 360 Toolkit et AI Fairness 360 Toolkit dans le bloc-notes Watson Studio.
- Analysez les résultats après avoir appliqué l'algorithme d'atténuation des biais pendant les étapes de pré-traitement, de traitement et de post-traitement.
Instructions
Trouvez les étapes détaillées de ce modèle dans le readme fichier. Les étapes vous montreront comment:
- Créez un compte avec IBM Cloud.
- Créez un nouveau projet Watson Studio.
- Ajoutez des données.
- Créez le cahier.
- Insérez les données en tant que DataFrame.
- Exécutez le cahier.
- Analysez les résultats.
Ce modèle de code fait partie de la La boîte à outils AI 360: les modèles d'IA expliqués utilisez des séries de cas, qui aident les parties prenantes et les développeurs à comprendre complètement le cycle de vie du modèle d'IA et à les aider à prendre des décisions éclairées.
Source : https://developer.ibm.com/patterns/predict-an-event-with-fairness-explainability-robustness/- Compte
- AI
- algorithme
- corps
- le cloud
- code
- contenu
- données
- ensemble de données
- démographique
- mobiles
- Diabète
- événement
- Explicabilité
- flux
- Comment
- How To
- HTTPS
- IBM
- IBM Cloud
- IBM Watson
- IT
- APPRENTISSAGE
- apprentissage
- machine learning
- modèle
- Stockage d'objets
- Patron de Couture
- Prédictions
- Projet
- Résultats
- Série
- set
- Partages
- storage
- combustion propre
- Watson
- Studio Watson
- vos contrats