ให้แพ็คเกจ shapash python ทำงานแทนคุณ
อย่าแสดงการนำเสนอครั้งต่อไปโดยไม่ได้เตรียมตัวไว้
การทำความเข้าใจว่าโมเดลของคุณกำลังทำอะไรอยู่เป็นสิ่งสำคัญมาก ยิ่งคุณต้องมีข้อมูลเพื่อประเมินโมเดลของคุณมากเท่าไร คุณก็จะสามารถปรับแต่งได้ดีขึ้นเท่านั้น แม้ว่าคุณจะมีความเข้าใจอย่างลึกซึ้งเกี่ยวกับการทำงานภายในของอัลกอริธึม แต่พันธมิตรทางธุรกิจของคุณกลับไม่มี คุณต้องสามารถนำเสนอสิ่งที่คุณค้นพบได้อย่างน่าดึงดูดและน่าสนใจ
มีหลายครั้งที่คู่ค้าทางธุรกิจมีความเชี่ยวชาญเฉพาะด้านมากขึ้นซึ่งอาจช่วยให้มีบริบทของคุณลักษณะได้ หากพวกเขาเข้าใจสิ่งที่คุณสื่อจริงๆ พวกเขาสามารถช่วยคุณปรับแต่งโมเดลให้ดียิ่งขึ้นได้
หนึ่งในคำถามที่พบบ่อยที่สุดที่ฉันได้ยินคือ “มีข้อมูลใดบ้างที่เข้าสู่โมเดล” ซึ่งแปลว่า “คุณลักษณะใดที่สำคัญที่สุด” คุณต้องเตรียมตอบคำถามนั้นในแบบที่พวกเขาเข้าใจ Shapash ให้ผลลัพธ์ที่น่าสนใจซึ่งอาจช่วยให้คุณแจ้งผู้ชมได้
เหตุใดจึงลองใช้ Shapash
มองหาแพ็คเกจที่น่าสนใจเพื่อใช้ในการทำงานประจำวันของฉันอยู่เสมอ ฉันเจอ shapash และถ้าคุณรู้จักฉันคุณก็รู้ว่าฉันไม่ชอบความยุ่งยาก แพ็คเกจต้องใช้งานง่าย หรือไม่มีโอกาสพิสูจน์แนวคิดอย่างรวดเร็ว โค้ดเพียงไม่กี่บรรทัดจะเพิ่มความสามารถในการอธิบายทั้งเชิงโต้ตอบและแบบรายงานให้กับสคริปต์โมเดลของคุณ
ฉันคิดว่ามันคุ้มค่ากับเวลาของคุณที่จะตรวจสอบแพ็คเกจและข้อเสนอต่างๆ การตั้งค่านั้นง่ายดาย (จำไว้ว่าฉันไม่ชอบความยุ่งยากมากนัก) ฉันมีรายละเอียดขั้นตอนด้านล่าง
การติดตั้ง
และเช่นเคย ขอแนะนำให้คุณสร้างสภาพแวดล้อมเสมือนใหม่ ฉันได้รวมลิงก์ไปยังกระบวนการติดตั้งไว้ในส่วนข้อมูลอ้างอิงด้านล่าง สำหรับตัวอย่างนี้ ฉันใช้ Jupyter ดังนั้นฉันจึงจำเป็นต้องติดตั้ง ipywidgets (และเปิดใช้งาน) และ shapash
เพิ่มบล็อกโค้ดที่ตรงไปตรงมานี้
หลังจากที่คุณฝึกฝนโมเดลของคุณ (ในตัวอย่างนี้ 'regressor') ให้เพิ่มบล็อกโค้ดอย่างง่ายเพื่อคอมไพล์และดำเนินการ SmartExplainer มีโค้ดตัวอย่างแบบเต็มแนบมาด้านล่างในบทความนี้
from shapash.explainer.smart_explainer import SmartExplainer # shapash Step 1: Declare SmartExplainer Object xpl = SmartExplainer() # shapash Step 2: Compile Model, Dataset, Encoders xpl.compile( x=Xtest, model=regressor, preprocessing=encoder, #optional y_pred=y_pred) # shapash Step 3: Display interactive output app = xpl.run_app()
เรียกใช้โค้ด
คุณควรรันโค้ดของคุณจากการนำเข้าข้อมูล วิศวกรรมฟีเจอร์ และการฝึกโมเดลผ่านการให้คะแนนโมเดล ต่อไป เมื่อคุณรัน run_app() ลิงก์แอปจะปรากฏขึ้น
เพียงคลิกลิงก์นั้นเพื่อเปิดหน้าต่างเบราว์เซอร์พร้อมเอาต์พุตของคุณ คุณจะสามารถนำทางผ่านการแสดงภาพต่างๆ
โบนัส — ข้อมูลโค้ดเพื่อสร้างรายงาน HTML
เมื่อคุณต้องการแชร์สิ่งที่ค้นพบกับเพื่อนร่วมงาน คุณสามารถสร้างรายงาน HTML เพื่อแชร์ได้
# Step 4: Generate the Shapash Report xpl.generate_report( output_file='medium_spending_scores_report2.html', project_info_file='shapash_project_info.yml', x_train=Xtrain, y_train=ytrain, y_test=ytest, title_story="Spending Scores Report", title_description="""This is just an easy sample. It was generated using the Shapash library.""", metrics=[ { 'path': 'sklearn.metrics.mean_absolute_error', 'name': 'Mean absolute error', }])
โค้ดตัวอย่างแบบเต็ม
Jupyter Notebook และไฟล์:
เวอร์ชัน .py:
ข้อมูลอ้างอิง
บทสรุป
ฉันคิดว่า shapash มีจุดในกล่องเครื่องมืออธิบายโมเดลได้ หากคุณไม่สามารถอธิบายงานของคุณให้เพื่อนร่วมงานที่ไม่ใช่ด้านเทคนิคได้ ผลลัพธ์ของคุณอาจถูกมองข้าม ไม่มีใครอยากให้มันเกิดขึ้น
คนที่ฉันเห็นความก้าวหน้าในอาชีพวิทยาศาสตร์ข้อมูลในที่ทำงานคือคนที่การนำเสนอโดดเด่นและพูดคุยกับผู้ชมเฉพาะกลุ่มได้โดยตรง งั้นก็ฉายแววสิ!