Panoramica di BigQuery Explainable AI

Questo documento descrive in che modo BigQuery ML supporta Intelligenza artificiale (AI) spiegabile, a volte chiamata XAI.

Explainable AI aiuta a comprendere i risultati che il modello predittivo di machine learning genera per la classificazione attività di regressione definendo il contributo di ogni caratteristica in una riga di dati il risultato previsto. Queste informazioni sono spesso indicate come funzionalità l'attribuzione dei contenuti. Puoi usare queste informazioni per verificare che il modello stia funzionando come previsto, per riconoscere i bias nei modelli e per informare modi migliorare il modello e i dati di addestramento.

Per informazioni sulle istruzioni e sulle funzioni SQL supportate per ogni tipo di modello, consulta Percorso dell'utente end-to-end per ogni modello.

Spiegabilità locale e globale

Esistono due tipi di spiegabilità: locale e globale spiegabilità. Anche questi ultimi sono chiamati importanza delle caratteristiche locali e importanza delle caratteristiche globali.

  • La spiegabilità locale restituisce i valori di attribuzione delle funzionalità per ogni spiegazione esempio. Questi valori descrivono in che misura una particolare caratteristica ha influito la previsione rispetto alla previsione di riferimento.
  • La spiegabilità globale restituisce l'influenza complessiva della caratteristica sul di grandi dimensioni e spesso si ottiene aggregando le attribuzioni delle caratteristiche in l'intero set di dati. Un valore assoluto più alto indica che la caratteristica aveva un valore maggiore influenza sulle previsioni del modello.

Offerte di Explainable AI in BigQuery ML

Explainable AI in BigQuery ML supporta vari di machine learning, sia a serie temporali che non. Ciascuno di il modello sfrutta un metodo di spiegabilità diverso.

Se vuoi utilizzare Explainable AI sui modelli BigQuery ML, hai registrati in Model Registry, esistono due istanze requisiti da seguire. Per scoprire di più, consulta Applicare Explainable AI su Modelli BigQuery ML.

Categoria di modello Tipi di modello Metodo di spiegabilità Spiegazione di base del metodo Funzioni di spiegazione locale Funzioni di spiegazione globali
Modelli supervisionati Lineare e Regressione logistica Valori di Shapley I valori di Shapley per i modelli lineari sono uguali a model weight * feature value, dove i valori delle caratteristiche sono standardizzati e le ponderazioni del modello sono addestrati con i valori standardizzati delle caratteristiche. ML.EXPLAIN_PREDICT1 ML.GLOBAL_EXPLAIN2
Errori standard e Valori p Gli errori standard e i valori p vengono utilizzati per il test di significatività rispetto ai pesi del modello. NA ML.ADVANCED_WEIGHTS4
Alberi potenziati

Foresta casuale		 Forma dell'albero Albero SHAP è un algoritmo per calcolare i valori SHAP esatti per i modelli basati su albero decisionale. ML.EXPLAIN_PREDICT1 ML.GLOBAL_EXPLAIN2
Contributo approssimativo alle funzionalità Consente di ottenere un valore approssimativo dei valori di contributo delle caratteristiche. È più veloce e semplice rispetto ad Tree SHAP. ML.EXPLAIN_PREDICT1 ML.GLOBAL_EXPLAIN2
Importanza delle caratteristiche basate sull'indice di Gini Un punteggio globale di importanza delle caratteristiche che indica quanto sia utile o importante ciascuna caratteristica era nella costruzione dell'albero potenziato o del modello di foresta casuale durante addestramento. NA ML.FEATURE_IMPORTANCE
Rete neurale profonda (DNN)

Ampio e profondo		 Gradienti integrati Un metodo basato su gradienti che calcola in modo efficiente le attribuzioni delle caratteristiche con le stesse proprietà axiomatiche del valore di Shapley. Offre un approssimazione del campionamento delle attribuzioni esatte delle caratteristiche. La sua accuratezza è controllata da integrated_gradients_num_steps . ML.EXPLAIN_PREDICT1 ML.GLOBAL_EXPLAIN2
AutoML Tables Valore di Shapley campionato Il valore di Shapley campionato assegna il credito per il risultato del modello a ciascuna caratteristica, e considera diverse permutazioni delle caratteristiche. Questo metodo fornisce un'approssimazione campionaria dei valori di Shapley esatti. NA ML.GLOBAL_EXPLAIN2
Modelli di serie temporali ARIMA_PLUS Scomposizione di serie temporali Scompone le serie temporali in più componenti se tali componenti sono presenti nella serie temporale. I componenti includono tendenza, stagionale, festività, variazioni di passi, picco e cali. Vedi ARIMA_PLUS pipeline di modellazione per ulteriori i dettagli. ML.EXPLAIN_FORECAST3 NA
ARIMA_PLUS_XREG Scomposizione di serie temporali
e
Valori di Shapley		 Scompone la serie temporale in più componenti, tra cui tendenza, stagionale, festività, variazioni dei passi e picchi e cali (simile a ARIMA_PLUS). L'attribuzione di ciascun regressore esterno viene calcolata in base a: Valori di Shapley, che corrispondono a model weight * feature value. ML.EXPLAIN_FORECAST3 NA

1ML_EXPLAIN_PREDICT è una versione estesa di ML.PREDICT.

2ML.GLOBAL_EXPLAIN restituisce la spiegabilità globale ottenuta prendendo l'attribuzione assoluta media ricevuta da ogni caratteristica a tutte le righe del set di dati di valutazione.

3ML.EXPLAIN_FORECAST è una versione estesa di ML.FORECAST.

4ML.ADVANCED_WEIGHTS è una versione estesa di ML.WEIGHTS.