What If Tool: Senaryoların Etkisini Analiz Etmenin Güçlü Yöntemi

Şekil Resim Bir
What If Tool: Senaryoların Etkisini Analiz Etmenin Güçlü Yöntemi

What-If Tool Nedir?

What If Tool, makine öğrenimi modellerinin davranışını keşfetmeye ve
görselleştirmeye yönelik güçlü bir Google’ın açık kaynaklı bir aracıdır.
Model performansını analiz etmek ve girdi verilerindeki değişikliklerin model
tahminlerini nasıl etkileyebileceğini anlamak için sezgisel ve etkileşimli bir arayüz sağlar.
Kodlama gerektirmeden makine öğrenimi modellerini kolayca analiz etmek için
Google’dan açık kaynaklı bir araç.
Çok çeşitli makine öğrenimi modellerini ve veri türlerini destekleyen esnek ve
genişletilebilir olacak şekilde tasarlanmıştır.
TensorFlow, Scikit-Learn, XGBoost ve diğer popüler makine öğrenimi çerçeveleriyle
kullanılabilir.

What If Tool (WIT) Nasıl Çalışır?

What If Tool, kullanıcıların bir makine öğrenimi modeliyle gerçek zamanlı olarak
etkileşime girmesine izin vererek çalışır. Kullanıcılar araca veri girebilir ve modelin bu
girdilere nasıl yanıt verdiğini görebilir. Değişikliklerin model tahminlerini nasıl
etkilediğini görmek için girdi verilerini de değiştirebilirler.
WIT, kullanıcıların model davranışını anlamalarına yardımcı olmak için çeşitli
görselleştirmeler sağlar. Örneğin, kullanıcılar belirli bir girdi için model tahminlerinin
dağılımını görüntüleyebilir veya birden fazla modelin tahminlerini yan yana
karşılaştırabilir.
What If Tool’un temel özelliklerinden biri, karşı olgusal analiz desteğidir. Bu, kullanıcıların
girdi verileri belirli şekillerde değiştirildiğinde ne olacağını keşfetmelerine olanak tanır.
Örneğin “Hastanın yaşı 10 yıl artırılsa ne olur?” diye sorabilirler ve yanıt olarak model
tahminlerinin nasıl değiştiğini görüntüleyebilirler.

Image Classifier: Bu demo, bir görüntü sınıflandırma modelinin performansını keşfetmek
için WIT’in nasıl kullanılacağını gösterir. Kendi resimlerinizi yükleyebilirsiniz ve araç her
resmin sınıf etiketini tahmin edecektir. Giriş görüntüsünü bozduğunuzda (örneğin,
parlaklığı veya kontrastı değiştirerek) modelin tahminlerinin nasıl değiştiğini keşfetmek
için WIT’i de kullanabilirsiniz.

Binary Classification: Bu demo, bir ikili sınıflandırma modelinin performansını keşfetmek
için WIT’in nasıl kullanılacağını gösterir. Veri noktalarını içeren bir CSV dosyası
yükleyebilirsiniz; araç her noktanın sınıf etiketini tahmin edecektir. WIT’i, belirli bir veri
noktasına benzeyen ancak farklı bir sınıf etiketine sahip olan veri noktaları olan karşı
olgusal örnekler oluşturmak için de kullanabilirsiniz.

Regression:Bu demo, bir regresyon modelinin performansını keşfetmek için WIT’in nasıl
kullanılacağını gösterir. Veri noktaları içeren bir CSV dosyası yükleyebilirsiniz ve araç her
nokta için hedef değeri tahmin eder. Giriş özellikleri ile hedef değer arasındaki ilişkiyi
keşfetmek için WIT’i de kullanabilirsiniz.

Text Classifier: Bu demo, bir metin sınıflandırma modelinin performansını keşfetmek için
WIT’in nasıl kullanılacağını gösterir. Kendi metninizi girebilirsiniz ve araç, metnin sınıf
etiketini tahmin edecektir. Giriş metnini değiştirdiğinizde (örneğin, bir kelimeyi
değiştirerek veya bir cümle ekleyerek) modelin tahminlerinin nasıl değiştiğini keşfetmek
için WIT’i de kullanabilirsiniz.

Fairness: Bu demo, bir sınıflandırma modelinin açıklığını keşfetmek için WIT’nin nasıl
kullanılacağını gösterir. Veri noktalarını ve hassas özellikleri (ör. ırk veya cinsiyet) içeren bir
CSV dosyası yükleyebilirsiniz; araç, her noktanın sınıf etiketini tahmin eder. Ardından,
modelin tahminlerinin hassas özellikler tarafından tanımlanan farklı gruplar arasında nasıl
değiştiğini keşfetmek için WIT’i kullanabilirsiniz.

Object Detector: Bu demo, bir nesne algılama modelinin performansını keşfetmek için
WIT’in nasıl kullanılacağını gösterir. Kendi resimlerinizi yükleyebilirsiniz ve araç her bir
resimdeki nesneleri tanımlayacaktır. Giriş görüntüsünü değiştirdiğinizde (örneğin, kirli
görüntü ekleyerek veya görüntüyü kırparak) modelin tahminlerinin nasıl değiştiğini
keşfetmek için WIT’i de kullanabilirsiniz.

Birlikte bir tane örnek demoyu inceleyelim ;

What-If Aracındaki çok sınıflı çiçek sınıflandırıcı demosu, aracın bir makine öğrenimi
modelinin performansını keşfetme ve anlama konusundaki yeteneklerini sergilemek için
UCI Iris veri kümesini kullanır. Iris veri seti, üç türün her birinden 50 çiçek içeren 150 iris
çiçeği için sepal uzunluğu, sepal genişliği, petal uzunluğu ve petal genişliği ölçümlerini
içerir: setosa, versicolor ve virginica.
Bu demoda What-If Aracı, sepal uzunluğu, sepal genişliği, petal uzunluğu ve petal genişliği
ölçümlerine dayalı olarak bir iris çiçeğinin türünü tahmin etmek üzere eğitilmiş bir makine
öğrenimi modelinin performansını keşfetmek için kullanılıyor. Model, 150 iris çiçeğinin
120’si üzerinde eğitildi ve geri kalan 30 çiçek bir test seti olarak uzatıldı.

Demo birkaç etkileşimli bileşenden oluşur:

Veri Tablosu: Araç, girdi özelliklerini (sepal length, sepal width, petal length, and
petal width) ve her numune için ground-truth etiketlerini içeren test verilerinin bir
tablosunu görüntüler.

Performans Metrikleri: Araç, her sınıf için precision, recall ve F1 skoru ile birlikte
modelin genel doğruluğunu ( accuracy) gösterir.


Feature Importance: Araç, hangi girdi özelliklerinin modelin tahminleri üzerinde en
önemli etkiye sahip olduğunu belirterek, modelin özellik önemlerini gösterir.

Bireysel Tahminler: Kullanıcılar, veri tablosundan herhangi bir satırı seçebilir ve
modelin o örnek için tahminini görebilir. Araç ayrıca çıktı katmanındaki her bir nöron
için aktivasyon değerlerini görüntüleyerek modelin tahmininden ne kadar emin
olduğunu gösterir.

What-If Senaryoları: Kullanıcılar, belirli bir örnek için girdi özelliklerini değiştirerek ve
modelin tahmininin nasıl değiştiğini görerek “what-if” senaryoları oluşturabilir. Bu özellik,
kullanıcıların modelin tahminlerini nasıl yaptığını anlamasına ve potansiyel iyileştirme
alanlarını belirlemesine yardımcı olabilir.
Confusion matrisini görselleştirir: Confusion matrisi, her sınıf için doğru ve yanlış
tahminlerin sayısını gösterir. Kullanıcı, gerçek sayıyı ve yüzdeyi görmek için fareyle her bir
hücrenin üzerine gelebilir.

Genel olarak, çok sınıflı çiçek sınıflandırma modeli için What-If Aracı demosu, aracın bir
makine öğrenimi modelinin performansını keşfetmek ve anlamak için nasıl
kullanılabileceğinin mükemmel bir örneğidir. Araç, kullanıcıların modelin nasıl çalıştığına
dair fikir edinmesine, iyileştirme alanlarını belirlemesine ve modelin tahminlerinde güven
oluşturmasına yardımcı olabilecek kapsamlı bir özellikler seti sağlar.

What If Tool, makine öğrenimi modeli davranışını keşfetmeye yönelik güçlü ve
esnek bir araçtır. Modellerle etkileşime geçmek ve nasıl tahmin yaptıklarına dair
içgörüler elde etmek için kullanıcı dostu bir arayüz sağlar. Makine öğrenimi
modelleriyle çalışıyorsanız What If Tool kesinlikle göz atmaya değer.

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir