总结
此 Code Pattern 使用德国信用数据集通过 Azure 创建逻辑回归模型。 该模式使用 Watson OpenScale 绑定部署在 Azure 云中的机器学习模型，创建订阅，并执行负载和反馈日志记录。
产品描述
使用Watson OpenScale，您可以监视模型的质量并记录有效载荷，而无论在何处托管模型。 此代码模式使用Azure模型的示例，该示例演示了Watson OpenScale的独立性和开放性。 IBM Watson OpenScale是一个开放式环境，使组织能够自动化和操作其AI。 它提供了一个强大的平台，用于在IBM Cloud或可能部署在任何地方的地方管理AI和机器学习模型，并提供以下好处：
通过设计开放：Watson OpenScale允许监视和管理使用任何框架或IDE构建并部署在任何模型托管引擎上的机器学习和深度学习模型。
推动更公平的结果：Watson OpenScale可以检测并帮助减轻模型偏差以突出公平问题。 该平台以纯文本形式说明了受到模型偏差和可视化影响的数据范围，以帮助数据科学家和业务用户了解对业务结果的影响。 当检测到偏差时，Watson OpenScale会自动创建在已部署模型旁边运行的去偏差伴侣模型，从而向用户预览预期的更公平结果，而无需替换原始模型。
解释交易：Watson OpenScale通过为要计分的单个交易生成解释（包括用于进行每个属性的预测和权重的属性）来帮助企业为注入AI的应用程序带来透明度和可审计性。
完成此代码模式后，您将了解如何：
- 使用Azure准备数据，训练模型和部署
- 使用样本评分记录和评分终点对模型评分
- 设置Watson OpenScale数据集市
- 将Azure模型绑定到Watson OpenScale数据集市
- 将订阅添加到数据集市
- 为两个已订阅资产启用有效负载日志记录和性能监视
- 使用数据集市通过订阅访问表数据
自动化流程
- 开发人员使用来自 信用风险培训.csv 文件中。
- Jupyter Notebook连接到存储Watson OpenScale数据的PostgreSQL数据库。
- 使用Azure Machine Learning Studio创建机器学习模型并将其部署到云中。
- 笔记本计算机使用Watson OpenScale记录有效负载并监视性能。
说明
在中找到此模式的详细步骤 自述文件。 这些步骤将向您展示如何：
- 克隆存储库。
- 创建 Watson OpenScale 服务。
- 在 Azure 机器学习工作室中创建模型。
- 运行笔记本。