สรุป
ในรูปแบบรหัสนี้ เรียนรู้วิธีใช้ชุดข้อมูลโรคเบาหวานเพื่อคาดการณ์ว่าบุคคลนั้นมีแนวโน้มที่จะเป็นเบาหวานหรือไม่ รูปแบบโค้ดสำรวจความเป็นธรรม การอธิบาย และความสมบูรณ์ของแบบจำลองการคาดการณ์ และเพิ่มประสิทธิภาพของระบบการทำนาย AI รูปแบบโค้ดแสดงให้เห็นถึงโซลูชันแบบ end-to-end และแสดงวิธีการ:
- ตรวจสอบความเป็นธรรมของชุดข้อมูลโรคเบาหวานโดยใช้ AI 360 Fairness Toolkit
- พัฒนาโมเดล
- อธิบายแบบจำลองโดยใช้ชุดเครื่องมืออธิบายความสามารถ AI 360
รูปแบบโค้ดจะแชร์เทมเพลตโค้ดทั่วไปสำหรับกระบวนการแบบ end-to-end ทั้งหมดของขั้นตอนก่อนหน้า ดังนั้นจึงสามารถใช้เสียบชุดข้อมูลใดก็ได้ที่คุณต้องการสำรวจความเป็นธรรมและความสามารถในการอธิบาย
รายละเอียด
ความเป็นธรรมคือกระบวนการทำความเข้าใจอคติที่เกิดจากข้อมูลของคุณ และทำให้มั่นใจว่าแบบจำลองของคุณมีการคาดการณ์ที่เท่าเทียมกันในทุกกลุ่มประชากร คำอธิบายแสดงให้เห็นว่าโมเดลการเรียนรู้ของเครื่องทำนายได้อย่างไร ช่วยให้เข้าใจโมเดลได้ดีขึ้นโดยชี้แจงวิธีการทำงานของโมเดล
ในรูปแบบรหัสนี้ คุณใช้ชุดข้อมูลโรคเบาหวานเพื่อคาดการณ์ว่าบุคคลนั้นมีแนวโน้มที่จะเป็นเบาหวานหรือไม่ คุณใช้ IBM Watson® Studio, IBM Cloud Object Storage, AI Explainability 360 Toolkit และ AI Fairness 360 Toolkit เพื่อสร้างข้อมูล ใช้อัลกอริธึมการลดอคติ จากนั้นวิเคราะห์ผลลัพธ์
หลังจากเสร็จสิ้นรูปแบบโค้ดนี้ คุณจะเข้าใจวิธี:
- สร้างโครงการโดยใช้ Watson Studio
- ใช้ AI Description 360 Toolkit
- ใช้ชุดเครื่องมือ AI Fairness 360
ไหล
- ล็อกอินเข้าสู่ IBM Watson Studio ที่ขับเคลื่อนโดย Spark เริ่มต้น IBM Cloud Object Storage และสร้างโปรเจ็กต์
- อัปโหลดไฟล์ข้อมูล .csv ไปยัง IBM Cloud Object Storage
- โหลดไฟล์ข้อมูลในโน้ตบุ๊ก Watson Studio
- ติดตั้ง AI Description 360 Toolkit และ AI Fairness 360 Toolkit ในโน้ตบุ๊ก Watson Studio
- วิเคราะห์ผลลัพธ์หลังจากใช้อัลกอริธึมการลดอคติระหว่างขั้นตอนก่อนการประมวลผล ในกระบวนการ และหลังการประมวลผล
คำแนะนำ
ค้นหาขั้นตอนโดยละเอียดสำหรับรูปแบบนี้ใน README ไฟล์. ขั้นตอนจะแสดงวิธีการ:
- สร้างบัญชีด้วย IBM Cloud
- สร้างโครงการ Watson Studio ใหม่
- เพิ่มข้อมูล
- สร้างสมุดบันทึก
- แทรกข้อมูลเป็น DataFrame
- เรียกใช้โน้ตบุ๊ก
- วิเคราะห์ผลลัพธ์
รูปแบบรหัสนี้เป็นส่วนหนึ่งของ ชุดเครื่องมือ AI 360: อธิบายแบบจำลอง AI ใช้ชุดกรณีศึกษา ซึ่งช่วยให้ผู้มีส่วนได้ส่วนเสียและนักพัฒนาเข้าใจวงจรชีวิตของแบบจำลอง AI อย่างสมบูรณ์ และช่วยให้พวกเขาตัดสินใจอย่างมีข้อมูล
ที่มา: https://developer.ibm.com/patterns/predict-an-event-with-fairness-explainability-robustness/- ลงชื่อเข้าใช้
- AI
- ขั้นตอนวิธี
- ร่างกาย
- เมฆ
- รหัส
- เนื้อหา
- ข้อมูล
- ชุดข้อมูล
- ประชากรศาสตร์
- นักพัฒนา
- โรคเบาหวาน
- เหตุการณ์
- คำอธิบาย
- ไหล
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- HTTPS
- ไอบีเอ็ม
- IBM Cloud
- IBM Watson
- IT
- เรียนรู้
- การเรียนรู้
- เรียนรู้เครื่อง
- แบบ
- การจัดเก็บวัตถุ
- แบบแผน
- การคาดการณ์
- โครงการ
- ผลสอบ
- ชุด
- ชุด
- หุ้น
- การเก็บรักษา
- ระบบ
- วัตสัน
- วัตสัน สตูดิโอ
- โรงงาน