Můžete zobrazit vizualizační graf pro vyhodnocení spravedlnosti, který ukazuje datové body pro monitorovanou součást ve vybrané hodině.
Z pohledu panelu dashboard vyberte implementovaný model, abyste zobrazili podrobnosti o nakonfigurovaných monitorech.
Chcete-li zobrazit podrobnosti o konkrétní statistice spravedlnosti, vyberte Fairness a pak si můžete vybrat určitou dobu ze chart spravedlnosti. Chcete-li vybrat jinou funkci nebo dobu k přezkoumání podrobností, můžete použít filtry, jako např. Monitorovaný atribut, Datuma Čas.
Interpretace grafu
Graf poskytuje vizuální znázornění pro následující informace:
Můžete pozorovat populaci, která má skloňování (například zákazníci v rozmezí 18-23 let). Graf také zobrazuje procentní část očekávaného výsledku pro tuto populaci.
Graf zobrazuje procento očekávaného výsledku pro referenční populaci, což je průměr očekávaného výsledku napříč všemi referenčními populacemi.
Graf označuje přítomnost zkreslení. Poměr procentní části očekávaných výsledků pro populace v rozsahu k procentuálním procentům očekávaných výsledků pro referenční populaci a informace o tom, zda tato hodnota překračuje prahovou hodnotu.
Graf také zobrazuje distribuci referenčních a monitorovaných hodnot pro každou jednotlivou hodnotu atributu v datech z tabulky informačního obsahu, která byla analyzována za účelem identifikace předpojatosti. Distribuce dat informačního obsahu se zobrazí pro každou jednotlivou hodnotu atributu spravedlnosti (i referenční hodnoty jsou zobrazeny). Tyto informace lze použít ke korelaci zkreslení s množstvím dat, která jsou přijata daným modelem.
Navíc graf zobrazuje procento populace s očekávanými výsledky. Zdrojem zkreslení jsou data v této skupině, která zkresluje výsledky a vedla ke zvýšení procentuálního podílu očekávaných výsledků pro referenční třídu. Tyto informace lze použít k identifikaci částí dat, které mohou být pod-vzorkovány, když přeškolit model.
Další důležitou věcí, kterou graf zobrazuje, je název tabulky, která obsahuje data, která jsou identifikována pro ruční označování. Kdykoli algoritmus zjistí zkreslení v modelu. Identifikuje také datové body, které mohou být odeslány pro ruční označování lidmi. Tato ručně označená data lze potom použít spolu s originálními údaji o školení pro opětovné vycvičování modelu. Tento přeškolený model pravděpodobně nebude mít zaujatost. Tabulka ručních jmenovek se nachází v databázi, která je přidružena k instanci Watson OpenScale .
Další kroky
Zobrazení výsledků spravedlnosti pro nepřímé zkreslení
Nadřízené téma: Získání poznatků pomocí produktu Watson OpenScale