El Projecte | Sobre nosaltres | Contribuir | Donacions | Llicència
HOME Els meus cursos Finalitzats
◄ Anterior
◄

Anàlisi de models

Següent ►
►

En aquest tema, explorarem com analitzar i avaluar els models de machine learning utilitzant TensorFlow Extended (TFX). L'anàlisi de models és una part crucial del procés de desenvolupament de models, ja que ens permet entendre com de bé està funcionant el nostre model i identificar àrees de millora.

Objectius del tema

  1. Entendre la importància de l'anàlisi de models.
  2. Aprendre a utilitzar les eines de TFX per a l'anàlisi de models.
  3. Implementar un exemple pràctic d'anàlisi de models.

  1. Importància de l'anàlisi de models

L'anàlisi de models ens ajuda a:

  • Avaluar el rendiment: Mesurar la precisió, la pèrdua i altres mètriques per determinar com de bé està funcionant el model.
  • Identificar biaixos: Detectar si el model està fent prediccions esbiaixades per a certs grups de dades.
  • Optimitzar el model: Trobar àrees on el model pot ser millorat, ja sigui ajustant hiperparàmetres o modificant l'arquitectura del model.

  1. Eines de TFX per a l'anàlisi de models

TFX proporciona diverses eines per a l'anàlisi de models, incloent-hi:

  • TensorFlow Model Analysis (TFMA): Una biblioteca per avaluar models de TensorFlow.
  • Fairness Indicators: Eines per avaluar la justícia dels models.

2.1 TensorFlow Model Analysis (TFMA)

TFMA permet avaluar models de TensorFlow en grans quantitats de dades de manera distribuïda. Proporciona mètriques detallades i visualitzacions per ajudar a entendre el rendiment del model.

Instal·lació de TFMA

pip install tensorflow-model-analysis

Exemple d'ús de TFMA

A continuació, es mostra un exemple de com utilitzar TFMA per avaluar un model:

import tensorflow_model_analysis as tfma

# Definim les especificacions de l'evaluació
eval_config = tfma.EvalConfig(
    model_specs=[tfma.ModelSpec(label_key='label')],
    slicing_specs=[tfma.SlicingSpec()],
    metrics_specs=[
        tfma.MetricsSpec(
            metrics=[
                tfma.MetricConfig(class_name='ExampleCount'),
                tfma.MetricConfig(class_name='Accuracy'),
                tfma.MetricConfig(class_name='AUC')
            ]
        )
    ]
)

# Carreguem el model i les dades
model_dir = 'path/to/your/model'
data_location = 'path/to/your/data'

# Executem l'evaluació
eval_result = tfma.run_model_analysis(
    model_location=model_dir,
    data_location=data_location,
    eval_config=eval_config
)

# Visualitzem els resultats
tfma.view.render_slicing_metrics(eval_result)

2.2 Fairness Indicators

Els Fairness Indicators ens permeten avaluar la justícia del nostre model, assegurant-nos que no està esbiaixat cap a certs grups de dades.

Instal·lació de Fairness Indicators

pip install fairness-indicators

Exemple d'ús de Fairness Indicators

A continuació, es mostra un exemple de com utilitzar Fairness Indicators:

from fairness_indicators import evaluator

# Definim les especificacions de l'evaluació
eval_config = tfma.EvalConfig(
    model_specs=[tfma.ModelSpec(label_key='label')],
    slicing_specs=[tfma.SlicingSpec(feature_keys=['feature_of_interest'])],
    metrics_specs=[
        tfma.MetricsSpec(
            metrics=[
                tfma.MetricConfig(class_name='Accuracy'),
                tfma.MetricConfig(class_name='AUC')
            ]
        )
    ]
)

# Carreguem el model i les dades
model_dir = 'path/to/your/model'
data_location = 'path/to/your/data'

# Executem l'evaluació
eval_result = tfma.run_model_analysis(
    model_location=model_dir,
    data_location=data_location,
    eval_config=eval_config
)

# Visualitzem els resultats de justícia
evaluator.view.render_fairness_indicators(eval_result)

  1. Exemple pràctic d'anàlisi de models

A continuació, implementarem un exemple pràctic d'anàlisi de models utilitzant TFMA.

Pas 1: Preparar el model i les dades

Suposem que tenim un model entrenat i un conjunt de dades d'avaluació.

Pas 2: Definir les especificacions de l'evaluació

eval_config = tfma.EvalConfig(
    model_specs=[tfma.ModelSpec(label_key='label')],
    slicing_specs=[tfma.SlicingSpec()],
    metrics_specs=[
        tfma.MetricsSpec(
            metrics=[
                tfma.MetricConfig(class_name='ExampleCount'),
                tfma.MetricConfig(class_name='Accuracy'),
                tfma.MetricConfig(class_name='AUC')
            ]
        )
    ]
)

Pas 3: Executar l'evaluació

eval_result = tfma.run_model_analysis(
    model_location='path/to/your/model',
    data_location='path/to/your/data',
    eval_config=eval_config
)

Pas 4: Visualitzar els resultats

tfma.view.render_slicing_metrics(eval_result)

Conclusió

En aquest tema, hem après la importància de l'anàlisi de models i com utilitzar les eines de TFX per avaluar i analitzar els nostres models de machine learning. Hem vist exemples pràctics d'ús de TensorFlow Model Analysis (TFMA) i Fairness Indicators per obtenir mètriques detallades i assegurar-nos que els nostres models són justos i precisos. Amb aquestes eines, podem millorar contínuament els nostres models i assegurar-nos que estan funcionant de manera òptima.

◄ Anterior
◄
Següent ►
►
El Projecte | Sobre nosaltres | Contribuir | Donacions | Llicència
© Copyright 2024. Tots els drets reservats