将模型可解释性与 Amazon Redshift ML 结合使用
借助 Amazon Redshift ML 中的模型可解释性,您可以使用功能重要性值来帮助了解训练数据中的每个属性对预测结果的贡献。
模型可解释性解释您的模型所做的预测,以此帮助改善您的机器学习(ML)模型。模型可解释性有助于解释这些模型如何使用功能归因方法进行预测。
Amazon Redshift ML 融入了模型可解释性,为 Amazon Redshift ML 用户提供模型解释功能。有关模型可解释性的更多信息,请参阅《Amazon SageMaker 开发人员指南》中的什么是机器学习预测的公平性和模型可解释性?。
模型可解释性还监控模型在生产过程中针对功能归因偏移所做的推断。它还提供了一些工具来帮助您生成模型监管报告,供您用来告知风险和合规团队以及外部监管机构。
当您在使用 CREATE MODEL 语句时指定 AUTO ON 或 AUTO OFF 选项时,在模型训练任务完成后,SageMaker 将创建解释输出。您可以使用 EXPLAIN_MODEL 函数查询 JSON 格式的可解释性报告。有关更多信息,请参阅 机器学习函数。。