测试机器学习模型不用写代码!谷歌“what-if”工具轻松化解

功能五:按相似度排列示例

下边详细介绍What-If工具的八个成效。

参考

ROC曲线维基百科
张伟楠先生课件
机械学习和总括里面包车型地铁auc怎么理解? –
和讯

高档DQNs:利用深度加深学习玩吃豆人游戏

对于二分类模型来说,这些工具得以将您的数额集分成子数据集,继而探索差异算法公平性约束(fairness
constraints)的震慑。

用户还足以研究区别分类阈值的熏陶,同时考虑不一致数值公平性标准等约束原则。下图所示为微笑探测器模型的结果,该模型在开源CelebA数据集上练习,数据集是已标记的巨星面部图像。

定义

AUC的完备是Area under the Curve of
ROC
,也就是ROC曲线下方的面积。那里出现了另叁个定义,便是ROC曲线。那么ROC曲线是个什么东西吧?大家参看下维基百科上的定义:在信号检查和测试理论中,接收者操作特征曲线(receiver
operating characteristic
curve
,或者叫ROC曲线)是一种坐标图式的辨析工具,用于 (1)
选用最棒的信号侦测模型、废弃次佳的模型。 (2)
在一如既往模型中设定最棒阈值。这一个定义最早是由世界世界二战中的电子工程师和雷达工程师发明的,用来侦测战场上的敌军载具。总结来说,可以把ROC曲线掌握为一种用于计算分析的图样工具。

这便是说具体到机械学习的辩解中,ROC曲线该怎么知道吧?首先,供给提议的是,ROC分析的是二元分类模型,也便是出口结果只有二种档次的模子,比如:(中性(neuter gender)/阴性)(有病/没病)(垃圾邮件/非垃圾邮件)。在二分类难点中,数据的价签平时用(0/1)来表示,在模型磨炼达成后展开测试时,会对测试集的每一种样本计算一个介于0~1之间的可能率,表征模型认为该样本为阴性的票房价值,大家能够选定三个阈值,将模型计算出的票房价值举办二值化,比如选定阈值=0.5,那么当模型输出的值超出等于0.5时,大家就觉得模型将该样本预测为中性(neuter gender),也等于标签为1,反之亦然。选定的阈值分化,模型预测的结果也会相应地转移。二元分类模型的单个样本预测有多种结果:

  1. 真中性(neuter gender)(TP):判断为阴性,实际也是阴性。
  2. 伪中性(neuter gender)(FP):判断为中性(neuter gender),实际却是阴性。
  3. 真中性(neuter gender)(TN):判断为中性(neuter gender),实际也是阴性。
  4. 伪阴性(FN):判断为中性(neuter gender),实际却是阴性。

这各种结果能够画成2 × 2的混淆矩阵:

新普京娱乐城手机版 1

二阶混淆矩阵

有了混淆矩阵,就足以定义ROC曲线了。ROC曲线将假阴性率(FP奥德赛)定义为
X 轴,真阴性率(TP奇骏)定义为 Y 轴。个中:

  • TP宝马X5:在装有实际为中性(neuter gender)的样书中,被正确地认清为中性(neuter gender)的样本比率。
  • FP君越:在具有实际为中性(neuter gender)的样本中,被错误地认清为阴性的样本比率。
  • TPR = TP / (TP + FN)
  • FPR = FP / (FP + TN)

给定2个二分类模型和它的阈值,就足以依据全体测试集样本点的真实值和预测值总结出一个(X=FPENCORE, Y=TPQashqai)
坐标点,那也便是绘制单个点的不二法门。那整条ROC曲线又该怎么画吗?具体方法如下:

在大家磨炼完三个二分类模型后,能够运用该模型对测试集中的全方位样本点计算叁个应和的可能率值,每一个值都介于0~1之间。假诺测试集有玖二十一个样本点,大家可以对那九14个样本的预测值从高到低排序,然后依次取各种值作为阈值,一旦阈值明显大家就能够绘制ROC曲线上的一个点,遵照那种形式依次将九二十一个点绘制出来,再将依次点依次连接起来,就获得了笔者们想要的ROC曲线!

接下来再回来最初的难题,AUC值其实正是ROC曲线下方所覆盖的面积,当我们绘制出ROC曲线之后,AUC的值自然也就总括好啊。

精准度展现正类的精度。它衡量了正类预测的正确程度。

What-If Tool介绍主页:

评估二元分类模型的公平性:地点提到的用来微笑表情检查和测试的图像分类模型。What-if工具有助于评估不一致子图像组的算法公平性。在该模型的教练中,有意没有提供来自特定人群的示范,目标是为了表现What-if工具怎样能够揭露模型中的那种偏向。对模型预测公平性的评估必要精心考虑全部背景,然而What-if工具是二个有效的量化源点。

引言

在机械学习世界,AUC值常常用来评论四个二分类模型的陶冶效益,对于众多机械学习或许数额挖掘的从业者或在校学员来说,AUC值的定义也平时被提起,但由于多数时候大家都以凭借一些软件包来练习机器学习模型,模型评价指标的乘除往往被软件包所封装,因而大家平日会忽视了它们的切切实实意思,那在有些时候会让我们对此手头正在拓展的职务感到猜忌。小编也曾蒙受类似的标题,因而期望借由正文来梳理下AUC值的含义与计量方式,通过实际的事例扶助读者加深领会,同时提交了应用scikit-learn工具库总括AUC值的办法,供各位参考。

在线存款和储蓄的数量现已在陶冶组和测试组之间开始展览了分割。

用L1或L2距离从选定的数据点创制距离性情,并将其可视化实行进一步分析。

总结

探望此间的同伴们是还是不是对AUC值的定义有了更好的领悟吧。总的来说,AUC值正是贰个用来评价二分拣模型优劣的常用指标,AUC值越德州仪器常阐明模型的效能越好,在其实使用中咱们得以凭借软件包的相应函数实行快速计算。假若各位还有一部分题材或许是对文章中的某个部分有疑难,欢迎在评论区研究。

等你来译:

新普京娱乐城手机版 2

来源:Google AI

示例

此间引用上海电子航空航天学院张伟楠先生机器学习课件中的例子来表达:

新普京娱乐城手机版 3

AUC计算示例

如上海教室所示,大家有几个测试样本,模型的预测值(按大小排序)和范本的诚实标签如右表所示,绘制ROC曲线的一体进度如下所示:

  1. 令阈值等于第二个预测值0.91,全部大于等于0.91的预测值都被判定为阳性,此时TP逍客=百分之二十五,FP卡宴=0/4,全数大家有了第③个点(0.0,0.25)
  2. 令阈值等于首个预测值0.85,全部大于等于0.85的预测值都被判定为阴性,那种情状下第一个样本属于被指鹿为马预测为中性(neuter gender)的中性(neuter gender)样本,也正是FP,所以TPCR-V=四分之一,FP奥迪Q7=四分一,所以大家有了第三个点(0.25,0.25)
  3. 根据那种措施依次取第② 、四…个预测值作为阈值,就能挨个获得ROC曲线上的坐标点(0.5,0.25)、(0.75,0.25)…(1.0,1.0)
  4. 将逐一点依次连接起来,就收获了如图所示的ROC曲线
  5. 计算ROC曲线下方的面积为0.75,即AUC=0.75
  • 线性模型

  • 逻辑函数

新普京娱乐城手机版 4

倒计时 8

代码

在明亮了AUC值的计算原理后,我们再来看看哪些在代码中实现它。日常很多的机器学习工具都卷入了模型目标的测度,当然也包蕴AUC澳门新匍京官网,值。那里大家来3只看下scikit-learnAUC的总结方法,如下所示:

>>> import numpy as np
>>> from sklearn.metrics import roc_auc_score
>>> y_true = np.array([0, 0, 1, 1])
>>> y_scores = np.array([0.1, 0.4, 0.35, 0.8])
>>> roc_auc_score(y_true, y_scores)
0.75

可以看出,使用scikit-learn工具提供的roc_auc_score函数总括AUC值极度不难,只必要提供样本的实际上标签和预测值那七个变量即可,大大有利于了我们的使用,真心感激这一个开源软件的撰稿人们!

新普京娱乐城手机版 5image

—新普京娱乐城手机版,回去和讯,查看更加多

新普京娱乐城手机版 6

正文为 AI 研习社编写翻译的技巧博客,原标题 :

Linear Classifier

作者 | Thomas Pernet

翻译 | 邓普斯•杰弗、涂世文、Disillusion

校对 | 邓普斯•杰弗 审核| 酱番梨 整理 | 菠萝妹

原来的小说链接:

7大功能

创设便捷的机械学习连串,须求建议并缓解许多题材。仅仅磨炼模型然后就放着不管是远远不够的。特出的机械学习从业者要像侦探一样,时刻注意探索怎么样更好地通晓营造的模子:数据点的更动将对模型的展望结果导致什么影响?同2个模子对两样的群众体育会有何样不一样的突显?用来测试模型的数据集的八种化程度如何等等。

怎么着在神经NLP处理中引用语义结构

原标题:无需写代码!谷歌(谷歌(Google))推出机器学习模型分析神器,代号What-If

重临乐乎,查看越来越多

第贰步:数据转载

责编:

新智元将于八月十一日在巴黎国家会议中央设置AI WO奥迪Q7LD
2018世界人工智能高峰会议,MIT物理教师、今后生命研讨所创办人、《生命3.0》我马克斯Tegmark,将揭橥演说《大家怎么着运用AI,而不是被其压制》,斟酌怎么样面对AI军事化和杀人民武装器的面世,欢迎到实地调换!

线性模型只回去实数,与区间[0,1]的概率推断不等同。因而必要逻辑函数将线性模型输出转换为可能率。

你能够编写、添加或删除任何选定数据点的风味或特色值,然后运转推测来测试模型品质,也可上传全新示例。

小编:

新的准确度是83.肆分一。它比原先的模子高4%。最终,您能够添加三个正则化项来严防过度拟合。

传送门

倒计时**8**天

base_columns = [ age_buckets,]model_imp = tf.estimator.LinearClassifier( model_dir="ongoing/train3", feature_columns=categorical_features+base_columns+education_x_occupation+INFO:tensorflow:Using default config.INFO:tensorflow:Using config: {'_model_dir': 'ongoing/train3', '_tf_random_seed': None, '_save_summary_steps': 100, '_save_checkpoints_steps': None, '_save_checkpoints_secs': 600, '_session_config': None, '_keep_checkpoint_max': 5, '_keep_checkpoint_every_n_hours': 10000, '_log_step_count_steps': 100, '_train_distribute': None, '_device_fn': None, '_service': None, '_cluster_spec': <tensorflow.python.training.server_lib.ClusterSpec object at 0xb20ef8550>, '_task_type': 'worker', '_task_id': 0, '_global_id_in_cluster': 0, '_master': '', '_evaluation_master': '', '_is_chief': True, '_num_ps_replicas': 0, '_num_worker_replicas': 1}FEATURES_imp = ['age','workclass', 'education', 'education_num', 'marital', 'occupation', 'relationship', 'race', 'sex', 'native_country', 'new']def get_input_fn(data_set, num_epochs=None, n_batch = 128, shuffle=True): return tf.estimator.inputs.pandas_input_fn( x=pd.DataFrame({k: data_set[k].values for k in FEATURES_imp}), y = pd.Series(data_set[LABEL].values), batch_size=n_batch, num_epochs=num_epochs, shuffle=shuffle)

效果一:可视化猜度结果

深究数据点上的What-if情景

除此以外,八个一连变量:

功能六:查看混淆矩阵和ROC曲线

检测错误分类、评估模型公平性、调查模型分歧数据集

平方变量在多少集中称为new。您必要将其添加到三番五次功用列表中。

成效三:发掘单个特征的成效

在下边包车型地铁截图中,该工具用于二进制分类模型,该模型遵照法国人普数据集的集体人口普遍检查数据,预测一人的年收入是还是不是超过5万比索。那是机械学习钻探人口运用的规格预测任务,尤其是在条分缕析算法的公平性时。

盘点图像分类的三昧

轻轻地一点,你就能相比数据点与模型预测出分裂结果的最相似点。我们将那个点称为“反事实”(Counterfactuals),能够反映出模型的表决边界。

检察模型在不相同子群众体育中的表现:回归模型能够用于依据人普消息预测受试者的年华。What-if工具能显得出模型在分化子群众体育中的相对表现,以及区别特色怎么着独立影响预测结果。该模型使用德国人口普遍检查数据集实行磨炼。

第⑤步:革新模型

今日,谷歌(Google)生产了已开源的TensorFlow可视化学工业具TensorBoard中一项新职能:What-If
Tool,用户可在不编写程序代码的情况下分析机器学习(ML)模型。

What-If工具的真切应用

深度学习目的检查和测试算法综述

新普京娱乐城手机版 7

行使What-if工具对微笑检查和测试模型两某个数据的展望表现的可比,个中预计模型分类阈值设置满足“机会公平”

在陶冶和测试数据汇总添加新的变量,这样编写函数就更有益了。

铜灵 编写翻译整理

检测错误分类:多类分类模型,模型根据对植物的花的柒次考察来预测植物的品种。What-if工具有助于展现模型的核定边界,弄清导致错误分类的原故。

print(df_train["label"].value_counts### The model will be correct in atleast 70% of the caseprint(df_test["label"].value_counts## Unbalanced labelprint(df_train.dtypes)0 247201 7841Name: label, dtype: int640 124351 3846Name: label, dtype: int64age int64workclass objectfnlwgt int64education objecteducation_num int64marital objectoccupation objectrelationship objectrace objectsex objectcapital_gain int64capital_loss int64hours_week int64native_country objectlabel int64dtype: object

What-If Tool首要有七大功能,不领悟有没有您必要的那一款:

叁个好的施行是基于特征的类型定义两特性状列表,然后将它们传递到估摸器的特征列中。

新普京娱乐城手机版 8

我们将What-If工具在谷歌(Google)内部社团中进行了测试,该工具在测试中显现出了直接价值。有组织高效发现她们的模子错误地忽视了数据集的全套特征,修复了以前未察觉的代码错误。
还有团队选用该工具将模型示例按性质高到低排列出来,并发现表现糟糕的模子示例的运维格局。

教练多少中,50K以下收入24717位,以上低收入7841个人。测试集的比值大致一模一样。有关越多音讯,请参阅本学科中的方面。

下图所示数据集中的面孔图像依据头发是或不是为桔棕分开,四个图像中的每一组都建立一条ROC曲线和三个预测结果的混淆矩阵,再设置叁个置信度滑块,设定模型必须在超过某一置信度时才能看清目的的脸面是微笑的。本例中,What-If工具自动安装两组的置信度阈值,以优化模型,达成机会均等。

长按链接点击打开或点击一文带您读懂线性分类器:

对于富含描述真实标签天性的二分拣模型和演示,使用阈值、ROC曲线、数值混淆矩阵和财力比交互式地商讨模型品质。

Github:

您能够应用对象POW来调动可变年龄。请留意,新变量名为“new”

在谷歌官方博客上,探究人口还发表了用预练习模型举行的一组演示,比如检查和测试错误分类的来由,评估二元分类模型的公平性和考察不一样子数据集中模型的表现等。能够活动官方博客查看更加多,博客地址:

新普京娱乐城手机版 9

这一个值与df_train中的值完全相同

【新智元导读】谷歌(Google) AI推出“what-if
”工具,用户完全不须要编制代码就能分析机器学习模型。该工具提供交互式可视化界面,用户能够追究并相比模型结果,能够高速地意识模型中的错误。

Y是兼备特征x_i的线性函数。如若模型没有特色,则猜测结果为偏差b。

依照猜想结果的不相同,你的以身作则会被分为分歧的水彩,之后可用混淆矩阵和其余自定义情势实行处理,从分歧特点的角度展现臆度结果。

What-If工具展现一组250张面部图片及其检查和测试微笑模型的结果

TensorFlow须求一个布尔值来陶冶分类器。您要求将值从字符串转换为整数。标签存储为一个对象,可是,您供给将其转移为三个数值。上边包车型大巴代码创制1个字典,在那之中包涵要转移的值,并在列项上循环。请留心,您执行此操作一回,1遍针对练习数据集,一回用于测试数据集;

新普京娱乐城手机版 10

新普京娱乐城手机版 11

在用TensorFlow陶冶线性分类器从前,必要实施多少个步骤。您供给预备要含有在模型中的特征。在尺度回归中,您将应用原来数据而不利用任何转换。

职能二:编辑贰个数据点,看模型表现怎样

大家希望谷歌(Google)内外的人们都来利用What-If工具,以更好地精通机器学习模型,并初始评估预测模型的公平性。
大家的代码是开源的,欢迎对该工具继续添砖加瓦。

第5步:超参数:Lasso & Ridge

What-If
Tool里成效很多,包蕴电动用Facets将数据集可视化,也有从数额集中手动编辑示例并查阅更改效果的机能,还是能够自动生成都部队分关系图,显示模型预测随着单个特征的改变而改变的可行性。

  1. 如若数额中的 Label
    唯有四个门类,那么就属于二分拣难点,相应的分类器被喻为 二分类器。

  2. 多分类器化解 Label 种类多于两类别型的归类难题。

效能七:测试算法公平性限制

对Counterfactuals的相比较。多少人只有在年龄和生意上设有微小的差异,但模型的预测结果已经完全相反

在有监察和控制学习中,最根本的三种学习职责是 回归(regression) 和
分类(classification),而当中 线性回归 和 线性分类
最为广泛。线性回归是预测某一个实际的值,而线性分类是数额所属连串举办前瞻。那里,我们主要关怀线性分类难题。

250张人脸和在模型中检查和测试微笑后的结果

在那种状态下,对于选定的数据点,模型预测该人年收入超越5万澳元的信度为73%。该工具自动定位数据汇总最相似的人,模型预测其年收入低于5万法郎,然后将选定数据点和与之最相似、但估计结果反而的数据点实行并排比较。一般来说图所示,二者唯有在年龄和职业上存在微小的差别,但模型的推测结果早就完全相反了。

model_1.train(input_fn=get_input_fn(df_train, num_epochs=None, n_batch = 128, shuffle=False), steps=1000)INFO:tensorflow:Calling model_fn.INFO:tensorflow:Done calling model_fn.INFO:tensorflow:Create CheckpointSaverHook.INFO:tensorflow:Graph was finalized.INFO:tensorflow:Running local_init_op.INFO:tensorflow:Done running local_init_op.INFO:tensorflow:Saving checkpoints for 0 into ongoing/train1/model.ckpt.INFO:tensorflow:loss = 88.722855, step = 1INFO:tensorflow:global_step/sec: 65.4699INFO:tensorflow:loss = 70077.66, step = 101 (1.533 sec)INFO:tensorflow:global_step/sec: 166.451INFO:tensorflow:loss = 49522.082, step = 201 (0.599 sec)INFO:tensorflow:global_step/sec: 172.15INFO:tensorflow:loss = 107120.57, step = 301 (0.577 sec)INFO:tensorflow:global_step/sec: 135.673INFO:tensorflow:loss = 12814.152, step = 401 (0.741 sec)INFO:tensorflow:global_step/sec: 147.318INFO:tensorflow:loss = 19573.898, step = 501 (0.675 sec)INFO:tensorflow:global_step/sec: 205.764INFO:tensorflow:loss = 26381.986, step = 601 (0.486 sec)INFO:tensorflow:global_step/sec: 188.238INFO:tensorflow:loss = 23417.719, step = 701 (0.531 sec)INFO:tensorflow:global_step/sec: 226.805INFO:tensorflow:loss = 23946.049, step = 801 (0.441 sec)INFO:tensorflow:global_step/sec: 183.742INFO:tensorflow:loss = 3309.5786, step = 901 (0.544 sec)INFO:tensorflow:Saving checkpoints for 1000 into ongoing/train1/model.ckpt.INFO:tensorflow:Loss for final step: 28861.898.<tensorflow.python.estimator.canned.linear.LinearClassifier at 0xb20308ba8>model_1.evaluate(input_fn=get_input_fn(df_test_new, num_epochs=1, n_batch = 128, shuffle=False), steps=1000)INFO:tensorflow:Calling model_fn.WARNING:tensorflow:Trapezoidal rule is known to produce incorrect PR-AUCs; please switch to "careful_interpolation" instead.WARNING:tensorflow:Trapezoidal rule is known to produce incorrect PR-AUCs; please switch to "careful_interpolation" instead.INFO:tensorflow:Done calling model_fn.INFO:tensorflow:Starting evaluation at 2018-08-29-19:10:49INFO:tensorflow:Graph was finalized.INFO:tensorflow:Restoring parameters from ongoing/train1/model.ckpt-1000INFO:tensorflow:Running local_init_op.INFO:tensorflow:Done running local_init_op.INFO:tensorflow:Evaluation [100/1000]INFO:tensorflow:Finished evaluation at 2018-08-29-19:10:51INFO:tensorflow:Saving dict for global step 1000: accuracy = 0.7944229, accuracy_baseline = 0.76377374, auc = 0.6093755, auc_precision_recall = 0.54885805, average_loss = 111.0046, global_step = 1000, label/mean = 0.23622628, loss = 14119.265, precision = 0.6682401, prediction/mean = 0.09116262, recall = 0.2576703INFO:tensorflow:Saving 'checkpoint_path' summary for global step 1000:{'accuracy': 0.7944229,'accuracy_baseline': 0.76377374,'auc': 0.6093755,'auc_precision_recall': 0.54885805,'average_loss': 111.0046,'label/mean': 0.23622628,'loss': 14119.265,'precision': 0.6682401,'prediction/mean': 0.09116262,'recall': 0.2576703,'global_step': 1000}

新普京娱乐城手机版 12

新普京娱乐城手机版 13

例如,假诺变量状态有多少个不等的值:

毋庸置疑,只需为TensorFlow模型和数据集提供指针,What-If
Tool就能交付三个可用来商量模型结果的可互相的视觉界面。

首伊始入教程中使用的库。

新普京娱乐城手机版 14

为了求证What-if工具的效应,我们采取预先磨炼的模型发表了一组德姆o:

continuous_features = [tf.feature_column.numeric_column for k in CONTI_FEATURES]

只是,那还不是What-If Tool的满贯实力。

What-If工具作用强大,能够采取Facets自动彰显数据集,从数额集手动编辑示例并查阅更改的职能,仍能自动生成都部队分注重图(partial
dependence
plots),显示模型的预计结果随任何单个功用的改观而变更的景况。

诚如的话,差不多 80%机器学习任务能够看作是某种分类难题。分类,即给定2个输入的聚合,分类器致力于臆想每一个品种的可能率。体系标记(也被叫作
应变量或借助变量)是贰个离散的值,表示有个别项目。

能够用来切磋为当选数据点中的单个特征自动生成的图,呈现特征使得值差别时推测结果的变通。

正如你事先看到的,线性分类器不或许正确捕获年龄收入方式。那是因为它为每一种脾气学习3个权重。为了使分类器更易于,您能够做的一件事是将特色存款和储蓄起来。Bucketing依据数字特征所处的范围将其转移为多少一定特征,那些新特点中的每三个都提醒壹位的岁数是或不是在该限量内。利用那几个新特色,线性模型能够通过学习各类桶的不比权重来捕获关系。在TensorFlow中,它是用bucketized_column实现的。您必要在分界中添加值的范围。

不用写代码?

编辑:大明

新普京娱乐城手机版 15image

功效四:探索反事实示例

明日,我们规范公布What-If工具,该工具是开源的TensorBoard
Web应用程序的一项新作用,它同意用户在不编写代码的状态下分析机器学习模型。
What-If工具给出了TensorFlow模型和数据集的指针,提供了多个交互式可视化界面,用于探索模型结果。

新普京娱乐城手机版 16image

新普京娱乐城手机版 17

原标题:测试机器学习模型不用写代码!谷歌(谷歌(Google))“what-if”工具轻松化解

model.train(input_fn=get_input_fn(df_train, num_epochs=None, n_batch = 128, shuffle=False), steps=1000)INFO:tensorflow:Calling model_fn.INFO:tensorflow:Done calling model_fn.INFO:tensorflow:Create CheckpointSaverHook.INFO:tensorflow:Graph was finalized.INFO:tensorflow:Running local_init_op.INFO:tensorflow:Done running local_init_op.INFO:tensorflow:Saving checkpoints for 0 into ongoing/train/model.ckpt.INFO:tensorflow:loss = 88.722855, step = 1INFO:tensorflow:global_step/sec: 95.9134INFO:tensorflow:loss = 52583.64, step = 101 (1.044 sec)INFO:tensorflow:global_step/sec: 167.726INFO:tensorflow:loss = 25203.816, step = 201 (0.596 sec)INFO:tensorflow:global_step/sec: 162.827INFO:tensorflow:loss = 54924.312, step = 301 (0.614 sec)INFO:tensorflow:global_step/sec: 226.156INFO:tensorflow:loss = 68509.31, step = 401 (0.443 sec)INFO:tensorflow:global_step/sec: 143.237INFO:tensorflow:loss = 9151.754, step = 501 (0.701 sec)INFO:tensorflow:global_step/sec: 140.458INFO:tensorflow:loss = 34576.06, step = 601 (0.710 sec)INFO:tensorflow:global_step/sec: 131.307INFO:tensorflow:loss = 36047.117, step = 701 (0.764 sec)INFO:tensorflow:global_step/sec: 150.417INFO:tensorflow:loss = 22608.148, step = 801 (0.665 sec)INFO:tensorflow:global_step/sec: 162.276INFO:tensorflow:loss = 22201.918, step = 901 (0.615 sec)INFO:tensorflow:Saving checkpoints for 1000 into ongoing/train/model.ckpt.INFO:tensorflow:Loss for final step: 5444.363.<tensorflow.python.estimator.canned.linear.LinearClassifier at 0xb202e4668>

新普京娱乐城手机版 18

在底下的代码中,您将在具备分类作用上创制三个循环。

谷歌 AI
PAI奥迪Q7安排的二个关键正是让更广阔的人工流生产能力够更便宜地对机械学习连串实行反省、评估和调节和测试。

上边大家编辑一个代码,让您理解feature_column.numeric_column
前边产生了什么。大家将打印转换后的值用于解释,因而不需求通晓Python代码。您能够参考官方文书档案精通那一个代码。

模型质量和算法公平性分析

其次步:数据转换

只需一键,自动比较数据点与模型预测最相似点

print(df_train_new.shape, df_test_new.shape)(32561, 16) (16281, 16)

相关文章

发表评论

电子邮件地址不会被公开。 必填项已用*标注

*
*
Website