XAutoML: Un outil d'analyse visuelle pour établir la confiance dans l'apprentissage automatique automatisé

Find AI Tools
No difficulty
No complicated process
Find ai tools

XAutoML: Un outil d'analyse visuelle pour établir la confiance dans l'apprentissage automatique automatisé

Table des matières

  • Introduction à X-Order ML
  • Qu'est-ce que l'apprentissage automatique automatisé (AML) ?
  • Problèmes de confiance avec l'AML
  • X-Order ML : un outil d'analyse visuelle interactive pour l'AML
  • Utilisation de X-Order ML avec AutoScaler
  • Visualisation des résultats d'optimisation
  • Analyse détaillée des candidats
  • Compréhension du comportement des candidats
  • Optimisation des hyperparamètres
  • Évaluation de l'ensemble construit

Introduction à X-Order ML

L'apprentissage automatique automatisé (AML) vise à construire automatiquement des pipelines d'apprentissage automatique complets, en utilisant uniquement un ensemble de données d'entrée et une fonction de perte. Cela permet à des experts n'ayant aucune compétence en science des données, en apprentissage automatique ou en statistiques de créer des pipelines d'AML sans l'Aide d'un data scientist. Bien que ces pipelines d'AML synthétisés automatiquement puissent atteindre des performances compétitives, des études récentes ont montré que les utilisateurs ne font pas confiance aux modèles construits par l'AML.

Qu'est-ce que l'apprentissage automatique automatisé (AML) ?

L'apprentissage automatique automatisé (AML) est un processus qui vise à construire automatiquement des pipelines d'apprentissage automatique complets en utilisant un ensemble de données d'entrée et une fonction de perte. L'objectif de l'AML est de simplifier le processus de développement de modèles d'apprentissage automatique, en éliminant le besoin de compétences spécialisées en science des données, en apprentissage automatique ou en statistiques. Les utilisateurs ayant peu ou pas d'expertise peuvent ainsi créer leurs propres pipelines d'apprentissage automatique sans l'aide d'un data scientist.

Problèmes de confiance avec l'AML

Cependant, malgré les performances compétitives des modèles construits par l'AML, les utilisateurs ne leur font pas confiance. Les systèmes actuels d'AML se comportent de manière opaque, sans fournir suffisamment d'informations aux utilisateurs sur la procédure d'optimisation ou les pipelines d'apprentissage automatique résultants. En l'absence d'informations suffisantes, les utilisateurs ne peuvent pas prendre une décision éclairée et responsable quant à l'utilisation d'un pipeline d'apprentissage automatique créé via l'AML.

X-Order ML : un outil d'analyse visuelle interactive pour l'AML

X-Order ML est un outil d'analyse visuelle interactif conçu pour expliquer les procédures d'optimisation arbitraires de l'AML et les pipelines d'apprentissage automatique construits par l'AML. En combinant des visualisations interactives avec des techniques établies d'intelligence artificielle explicative, X-Order ML rend la procédure complète de l'AML transparente et explicable. Cela permet aux utilisateurs de comprendre comment les pipelines d'apprentissage automatique ont été construits et de prendre des décisions éclairées sur leur utilisation.

Utilisation de X-Order ML avec AutoScaler

Dans cet exemple, nous utiliserons X-Order ML pour visualiser une exécution d'optimisation à partir d'AutoScaler, une bibliothèque d'AML. Nous utiliserons le jeu de données Credit G pour cet exemple. Tout d'abord, nous diviserons le jeu de données en un ensemble d'entraînement et un ensemble de test. Ensuite, nous utiliserons AutoScaler avec la configuration par défaut pour rechercher le modèle offrant la meilleure précision possible pendant 10 minutes. Une fois les 10 minutes écoulées, nous chargerons les résultats d'optimisation dans X-Order ML.

Visualisation des résultats d'optimisation

Les résultats d'optimisation sont directement rendus dans Jupyter. Du côté gauche, nous pouvons trouver des statistiques générales sur l'optimisation, telles que le nombre total de candidats évalués. En dessous, un graphique de dispersion de tous les candidats au fil du temps est donné. Au milieu, nous voyons le classement des candidats, avec les prédictions de performance, les temps et un aperçu des pipelines construits. Chaque candidat peut être développé pour afficher des informations plus détaillées, telles que les performances, la matrice de confusion ou les attributs importants.

Analyse détaillée des candidats

Chaque candidat évalué peut être analysé en détail dans X-Order ML. Différentes cartes d'informations fournissent des détails sur les performances, les attributs importants, les hyperparamètres sélectionnés, etc. Les utilisateurs peuvent également ajuster un arbre de décision pour comprendre le comportement d'un candidat sélectionné. Toutes les informations sont basées sur l'étape actuellement sélectionnée du pipeline.

Compréhension du comportement des candidats

En sélectionnant une étape du pipeline, les utilisateurs peuvent inspecter la sortie de chaque étape en utilisant l'aperçu du jeu de données. Les boutons "Continuer dans Jupyter" permettent d'exporter des informations vers Jupyter pour obtenir des informations supplémentaires qui ne sont pas directement disponibles dans X-Order ML. Il est important de comprendre le comportement des candidats individuels pour prendre des décisions éclairées sur leur utilisation.

Optimisation des hyperparamètres

Une partie essentielle de l'AML est l'optimisation des hyperparamètres. Dans X-Order ML, les utilisateurs peuvent inspecter les hyperparamètres de chaque primitive d'apprentissage automatique. En développant chaque étape, les utilisateurs peuvent voir les hyperparamètres utilisés et comment leurs valeurs ont été échantillonnées au fil du temps. Cela permet de comprendre comment les valeurs ont été choisies pendant l'optimisation.

Évaluation de l'ensemble construit

En fin de compte, X-Order ML permet aux utilisateurs d'évaluer l'ensemble construit par AutoScaler. Les cartes d'inspection fournissent les mêmes informations que dans le classement individuel des candidats, mais pour l'ensemble complet. Les utilisateurs peuvent également consulter les prédictions individuelles de tous les membres de l'ensemble et visualiser les surfaces de décision des membres de l'ensemble.

Merci de votre Attention !

FAQ

Q: Comment puis-je obtenir X-Order ML ? R: Vous pouvez télécharger X-Order ML à partir du dépôt GitHub [lien ici].

Q: Quels sont les avantages de X-Order ML par rapport aux autres outils d'AML ? R: X-Order ML se distingue par sa capacité à fournir des explications transparentes et détaillées des procédures d'optimisation et des pipelines d'apprentissage automatique. Il combine des visualisations interactives avec des techniques d'intelligence artificielle explicative pour permettre aux utilisateurs de prendre des décisions éclairées sur l'utilisation des pipelines d'apprentissage automatique.

Q: Puis-je utiliser X-Order ML avec d'autres bibliothèques d'AML que AutoScaler ? R: Oui, X-Order ML prend en charge d'autres bibliothèques d'AML. Vous pouvez trouver des instructions détaillées sur la façon de l'utiliser avec différentes bibliothèques dans la documentation.

Q: Est-ce que X-Order ML nécessite des compétences avancées en programmation pour être utilisé ? R: Non, X-Order ML est conçu pour être facile à utiliser, même pour les utilisateurs novices. Vous n'avez pas besoin de compétences avancées en programmation pour bénéficier de ses fonctionnalités.

Q: Y a-t-il des tutoriels disponibles pour apprendre à utiliser X-Order ML ? R: Oui, nous mettons à votre disposition des tutoriels détaillés sur GitHub pour vous aider à démarrer avec X-Order ML. Vous pouvez les trouver dans la documentation du projet.

Q: Est-ce que X-Order ML est open source ? R: Oui, X-Order ML est un projet open source et est disponible sous la licence [licence ici]. Vous pouvez également contribuer au projet en soumettant des problèmes ou en proposant des améliorations.

Ressources

  • Code source de X-Order ML : [lien GitHub]
  • Jeu de données Credit G : [lien vers les données]

Most people like

Are you spending too much time looking for ai tools?
App rating
4.9
AI Tools
100k+
Trusted Users
5000+
WHY YOU SHOULD CHOOSE TOOLIFY

TOOLIFY is the best ai tool source.