Lorsque vous utilisez des modèles d'image AutoML, vous pouvez configurer des paramètres spécifiques pour améliorer vos explications.
Les méthodes d'attribution des caractéristiques Vertex Explainable AI s'appuient sur des variantes de valeurs de Shapley. Étant donné que les valeurs de Shapley sont très coûteuses en calcul, Vertex Explainable AI fournit des approximations au lieu de valeurs exactes.
Vous pouvez réduire l'erreur d'approximation et vous rapprocher des valeurs exactes en modifiant les entrées suivantes :
- Augmentez le nombre d'étapes d'intégration ou de chemins.
Augmenter le nombre d'étapes
Pour réduire l'erreur d'approximation, vous pouvez augmenter :
- le nombre d'étapes d'intégration dans l'interface utilisateur
Étape suivante
- Explorez les limites de Vertex Explainable AI.