总结
在此代码模式中,学习如何使用糖尿病数据集来预测一个人是否容易患糖尿病。 代码模式探索了预测模型的公平性,可解释性和鲁棒性,并增强了AI预测系统的有效性。 代码模式演示了端到端解决方案,并展示了如何:
- 使用AI 360 Fairness Toolkit检查糖尿病数据集的公平性
- 开发模型
- 使用AI 360 Explainability Toolkit解释模型
该代码模式共享上述步骤的整个端到端过程的通用代码模板。 因此,它可以用于插入您要探索其公平性和可解释性的任何数据集。
产品描述
公平是理解您的数据引入的偏差并确保您的模型在所有人口统计群体中提供公平预测的过程。 可解释性说明了机器学习模型如何进行预测。 通过阐明模型的工作原理,可以更好地理解模型。
在此代码模式中,您使用糖尿病数据集来预测一个人是否容易患糖尿病。 您可以使用IBMWatson®Studio,IBM Cloud Object Storage,AI Explainability 360 Toolkit和AI Fairness 360 Toolkit来创建数据,应用偏差缓解算法,然后分析结果。
完成此代码模式后,您将了解如何:
- 使用Watson Studio创建项目
- 使用AI Explainability 360工具包
- 使用AI Fairness 360 Toolkit
自动化流程
- 登录到由Spark支持的IBM Watson Studio,启动IBM Cloud Object Storage,并创建一个项目。
- 将.csv数据文件上传到IBM Cloud Object Storage。
- 将数据文件加载到Watson Studio笔记本中。
- 在Watson Studio笔记本中安装AI Explainability 360 Toolkit和AI Fairness 360 Toolkit。
- 在预处理,处理中和后处理阶段应用偏差缓解算法后,分析结果。
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:
- 使用IBM Cloud创建一个帐户。
- 创建一个新的Watson Studio项目。
- 添加数据。
- 创建笔记本。
- 将数据作为DataFrame插入。
- 运行笔记本。
- 分析结果。
此代码模式是 AI 360工具包:解释了AI模型 用例系列,可帮助利益相关者和开发人员完全理解AI模型的生命周期,并帮助他们做出明智的决策。
资料来源:https://developer.ibm.com/patterns/predict-an-event-with-fairness-explainability-robustness/