Rezumat
În acest model de cod, aflați cum să utilizați un set de date despre diabet pentru a prezice dacă o persoană este predispusă la diabet. Modelul de cod explorează corectitudinea, explicabilitatea și robustețea modelelor predictive și îmbunătățește eficacitatea sistemului predictiv AI. Modelul de cod demonstrează soluția de la capăt la capăt și arată cum să:
- Verificați corectitudinea setului de date despre diabet folosind AI 360 Fairness Toolkit
- Dezvoltați modelul
- Explicați modelul folosind AI 360 Explainability Toolkit
Modelul de cod partajează șablonul de cod generic pentru întregul proces de la capăt la capăt al pașilor anteriori. Prin urmare, poate fi folosit pentru a conecta orice set de date pentru care doriți să explorați corectitudinea și explicabilitatea.
Descriere
Corectitudinea este procesul de înțelegere a părtinirii introduse de datele dvs. și de a vă asigura că modelul dvs. oferă predicții echitabile pentru toate grupurile demografice. Explicabilitatea arată cum un model de învățare automată își face predicțiile. Oferă o înțelegere îmbunătățită a modelului prin clarificarea modului în care funcționează modelul.
În acest model de cod, utilizați un set de date despre diabet pentru a prezice dacă o persoană este predispusă la diabet. Utilizați IBM Watson® Studio, IBM Cloud Object Storage, AI Explainability 360 Toolkit și AI Fairness 360 Toolkit pentru a crea datele, aplicați algoritmul de atenuare a părtinirii, apoi analizați rezultatele.
După finalizarea acestui model de cod, înțelegeți cum să:
- Creați un proiect folosind Watson Studio
- Utilizați setul de instrumente AI Explainability 360
- Utilizați setul de instrumente AI Fairness 360
Debit
- Conectați-vă la IBM Watson Studio alimentat de Spark, inițiați IBM Cloud Object Storage și creați un proiect.
- Încărcați fișierul de date .csv în IBM Cloud Object Storage.
- Încărcați fișierul de date în notebook-ul Watson Studio.
- Instalați setul de instrumente AI Explainability 360 și setul de instrumente AI Fairness 360 în notebook-ul Watson Studio.
- Analizați rezultatele după aplicarea algoritmului de atenuare a părtinirii în timpul etapelor de pre-procesare, în curs de procesare și post-procesare.
Instrucțiuni
Găsiți pașii detaliate pentru acest model în Readme fişier. Pașii vă vor arăta cum să:
- Creați un cont cu IBM Cloud.
- Creați un nou proiect Watson Studio.
- Adăugați date.
- Creați caietul.
- Introduceți datele ca DataFrame.
- Rulați caietul.
- Analizează rezultatele.
Acest model de cod este parte a Setul de instrumente AI 360: modelele AI explicate serii de cazuri de utilizare, care ajută părțile interesate și dezvoltatorii să înțeleagă complet ciclul de viață al modelului AI și să-i ajute să ia decizii informate.
Sursa: https://developer.ibm.com/patterns/predict-an-event-with-fairness-explainability-robustness/- Cont
- AI
- Algoritmul
- corp
- Cloud
- cod
- conţinut
- de date
- set de date
- demografic
- Dezvoltatorii
- Diabet
- eveniment
- Explicabilitate
- debit
- Cum
- Cum Pentru a
- HTTPS
- IBM
- IBM Cloud
- IBM Watson
- IT
- AFLAȚI
- învăţare
- masina de învățare
- model
- Depozitarea obiectelor
- Model
- Predictii
- proiect
- REZULTATE
- serie
- set
- Acțiuni
- depozitare
- sistem
- Watson
- Studio Watson
- fabrică