วิธีเพิ่มความสามารถในการอธิบายโมเดลเชิงโต้ตอบในเวลาไม่ถึง 5 นาที

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!