モデルを学習デバッグマシンは容易ではない、ユーバー公式ブログでは、「エネルギーの80％はモデルの性能を向上させるために使用しながら、人々は多くの場合、エネルギーの20％は、最初のワーキングモデルを確立するために使用される」と述べました。このため、彼らは開発しているとマニホールドをオープンソース化、これは機械学習のための視覚的なデバッグツールは、機械学習モデルで問題を診断し、デバッグするために使用することができます。
良い面と悪いパフォーマンスデータのサブセットとの間の差の分布の表示機能により、モデルのパフォーマンス低下の根本原因を説明することができマニホールド。また、このようなモデルの統合などの高度な処理のための基礎を提供する異なる予測精度を有する各データサブセットのためのいくつかの候補モデルを表示することができます。
マニホールドの最初のオープンソースバージョンを含め、さまざまな機能を追加しました。
- そして、モデルに依存しないユニバーサルバイナリ分類と回帰モデルのデバッグをサポート。ユーザーは、各種のデータのパフォーマンスの違いを区別できるように、モデルのアルゴリズムの様々な種類を比較し、分析することができるようになります。
- 、デジタルソーティング及び地理空間地物種別を含む支持フォーム入力要素の可視化。特徴量分布情報を用いて、各データスライスは、ユーザは、より良い、その損失モデル予測データポイントの位置と分布との間の相関があるかどうか、例えば、パフォーマンスの問題の根本的な原因のいくつかを理解することができます。
- Jupyterノートブックとの統合。この統合により、マニホールドパンダデータフレームとしてデータ入力オブジェクトを受け入れ、そしてJupyterに提示されたデータを視覚化します。JupyterノートMLデータ科学者とエンジニアは、科学的データに最も広く使用されているプラットフォームのいずれかを使用しているので、この統合は、通常のワークフローを中断することなく、彼らのモデルを分析することができます。
- 比較予測損失性能と各インスタンスの値の他の特性に基づいて、インタラクティブデータスライス。ユーザーができるようになり、グランドトゥルースや他の興味のスライス予想損失に基づいたデータとクエリを提供しています。この機能により、ユーザーはすぐに共通の論理データ・スライスを通じて仮説を検証するか、拒否することができます。
更多介绍可查看 Uber 官方博客：https://eng.uber.com/manifold-open-source/