WHAT-IF TOOL: Senaryoların Etkisini Analiz Etmenin Güçlü Yöntemi

What-If Tool Nedir?

What If Tool, makine öğrenimi modellerinin davranışını keşfetmeye ve görselleştirmeye yönelik güçlü bir Google’ın açık kaynaklı bir aracıdır.

Model performansını analiz etmek ve girdi verilerindeki değişikliklerin model tahminlerini nasıl etkileyebileceğini anlamak için sezgisel ve etkileşimli bir arayüz sağlar. Kodlama gerektirmeden makine öğrenimi modellerini kolayca analiz etmek için Google’dan açık kaynaklı bir araç.

Çok çeşitli makine öğrenimi modellerini ve veri türlerini destekleyen esnek ve genişletilebilir olacak şekilde tasarlanmıştır. TensorFlow, Scikit-Learn, XGBoost ve diğer popüler makine öğrenimi çerçeveleriyle kullanılabilir.

What If Tool (WIT) Nasıl Çalışır?

What If Tool, kullanıcıların bir makine öğrenimi modeliyle gerçek zamanlı olarak etkileşime girmesine izin vererek çalışır. Kullanıcılar araca veri girebilir ve modelin bu girdilere nasıl yanıt verdiğini görebilir. Değişikliklerin model tahminlerini nasıl etkilediğini görmek için girdi verilerini de değiştirebilirler.

WIT, kullanıcıların model davranışını anlamalarına yardımcı olmak için çeşitli görselleştirmeler sağlar. Örneğin, kullanıcılar belirli bir girdi için model tahminlerinin dağılımını görüntüleyebilir veya birden fazla modelin tahminlerini yan yana karşılaştırabilir.

What If Tool’un temel özelliklerinden biri, karşı olgusal analiz desteğidir. Bu, kullanıcıların girdi verileri belirli şekillerde değiştirildiğinde ne olacağını keşfetmelerine olanak tanır. Örneğin “Hastanın yaşı 10 yıl artırılsa ne olur?” diye sorabilirler ve yanıt olarak model tahminlerinin nasıl değiştiğini görüntüleyebilirler.

What-If aracının yeteneklerini göstermek için, önceden eğitilmiş modelleri kullanan bir dizi demo yayınlandı. Demoları not defterinde veya doğrudan web üzerinden çalıştırabilirsiniz. Demolara ulaşmak için tıklayınız.

Image Classifier: Bu demo, bir görüntü sınıflandırma modelinin performansını keşfetmek için WIT’in nasıl kullanılacağını gösterir. Kendi resimlerinizi yükleyebilirsiniz ve araç her resmin sınıf etiketini tahmin edecektir. Giriş görüntüsünü bozduğunuzda (örneğin, parlaklığı veya kontrastı değiştirerek) modelin tahminlerinin nasıl değiştiğini keşfetmek için WIT’i de kullanabilirsiniz.

Binary Classification: Bu demo, bir ikili sınıflandırma modelinin performansını keşfetmek için WIT’in nasıl kullanılacağını gösterir. Veri noktalarını içeren bir CSV dosyası yükleyebilirsiniz; araç her noktanın sınıf etiketini tahmin edecektir. WIT’i, belirli bir veri noktasına benzeyen ancak farklı bir sınıf etiketine sahip olan veri noktaları olan karşı olgusal örnekler oluşturmak için de kullanabilirsiniz.

Regression: Bu demo, bir regresyon modelinin performansını keşfetmek için WIT’in nasıl kullanılacağını gösterir. Veri noktaları içeren bir CSV dosyası yükleyebilirsiniz ve araç her nokta için hedef değeri tahmin eder. Giriş özellikleri ile hedef değer arasındaki ilişkiyi keşfetmek için WIT’i de kullanabilirsiniz.

Text Classifier: Bu demo, bir metin sınıflandırma modelinin performansını keşfetmek için WIT’in nasıl kullanılacağını gösterir. Kendi metninizi girebilirsiniz ve araç, metnin sınıf etiketini tahmin edecektir. Giriş metnini değiştirdiğinizde (örneğin, bir kelimeyi değiştirerek veya bir cümle ekleyerek) modelin tahminlerinin nasıl değiştiğini keşfetmek için WIT’i de kullanabilirsiniz.

Fairness: Bu demo, bir sınıflandırma modelinin açıklığını keşfetmek için WIT’nin nasıl kullanılacağını gösterir. Veri noktalarını ve hassas özellikleri (ör. ırk veya cinsiyet) içeren bir CSV dosyası yükleyebilirsiniz; araç, her noktanın sınıf etiketini tahmin eder. Ardından, modelin tahminlerinin hassas özellikler tarafından tanımlanan farklı gruplar arasında nasıl değiştiğini keşfetmek için WIT’i kullanabilirsiniz.

Object Detector: Bu demo, bir nesne algılama modelinin performansını keşfetmek için WIT’in nasıl kullanılacağını gösterir. Kendi resimlerinizi yükleyebilirsiniz ve araç her bir resimdeki nesneleri tanımlayacaktır. Giriş görüntüsünü değiştirdiğinizde (örneğin, kirli görüntü ekleyerek veya görüntüyü kırparak) modelin tahminlerinin nasıl değiştiğini keşfetmek için WIT’i de kullanabilirsiniz.

Birlikte bir tane örnek demoyu inceleyelim ;

What-If Aracındaki çok sınıflı çiçek sınıflandırıcı demosu, aracın bir makine öğrenimi modelinin performansını keşfetme ve anlama konusundaki yeteneklerini sergilemek için UCI Iris veri kümesini kullanır. Iris veri seti, üç türün her birinden 50 çiçek içeren 150 iris çiçeği için sepal uzunluğu, sepal genişliği, petal uzunluğu ve petal genişliği ölçümlerini içerir: setosa, versicolor ve virginica.

Bu demoda What-If Aracı, sepal uzunluğu, sepal genişliği, petal uzunluğu ve petal genişliği ölçümlerine dayalı olarak bir iris çiçeğinin türünü tahmin etmek üzere eğitilmiş bir makine öğrenimi modelinin performansını keşfetmek için kullanılıyor. Model, 150 iris çiçeğinin 120'si üzerinde eğitildi ve geri kalan 30 çiçek bir test seti olarak uzatıldı.

Demo birkaç etkileşimli bileşenden oluşur:

• Veri Tablosu: Araç, girdi özelliklerini (sepal length, sepal width, petal length, and petal width) ve her numune için ground-truth etiketlerini içeren test verilerinin bir tablosunu görüntüler.
• Performans Metrikleri: Araç, her sınıf için precision, recall ve F1 skoru ile birlikte modelin genel doğruluğunu ( accuracy) gösterir.
• Feature Importance: Araç, hangi girdi özelliklerinin modelin tahminleri üzerinde en önemli etkiye sahip olduğunu belirterek, modelin özellik önemlerini gösterir.
• Bireysel Tahminler: Kullanıcılar, veri tablosundan herhangi bir satırı seçebilir ve modelin o örnek için tahminini görebilir. Araç ayrıca çıktı katmanındaki her bir nöron için aktivasyon değerlerini görüntüleyerek modelin tahmininden ne kadar emin olduğunu gösterir.
• What-If Senaryoları: Kullanıcılar, belirli bir örnek için girdi özelliklerini değiştirerek ve modelin tahmininin nasıl değiştiğini görerek “what-if” senaryoları oluşturabilir. Bu özellik, kullanıcıların modelin tahminlerini nasıl yaptığını anlamasına ve potansiyel iyileştirme alanlarını belirlemesine yardımcı olabilir.
• Confusion matrisini görselleştirir: Confusion matrisi, her sınıf için doğru ve yanlış tahminlerin sayısını gösterir. Kullanıcı, gerçek sayıyı ve yüzdeyi görmek için fareyle her bir hücrenin üzerine gelebilir.

Features sekmesi, histogramlar, çubuk grafikler vb. dahil olmak üzere veri kümesindeki her bir özelliğin özet istatistiklerini verir. Sekme ayrıca veri kümesindeki her özellik için değerlerin dağılımına bakmayı sağlar.

Genel olarak, çok sınıflı çiçek sınıflandırma modeli için What-If Aracı demosu, aracın bir makine öğrenimi modelinin performansını keşfetmek ve anlamak için nasıl kullanılabileceğinin mükemmel bir örneğidir. Araç, kullanıcıların modelin nasıl çalıştığına dair fikir edinmesine, iyileştirme alanlarını belirlemesine ve modelin tahminlerinde güven oluşturmasına yardımcı olabilecek kapsamlı bir özellikler seti sağlar.

Demoyu detaylı incelemek için tıklayınız.

What If Tool, makine öğrenimi modeli davranışını keşfetmeye yönelik güçlü ve esnek bir araçtır. Modellerle etkileşime geçmek ve nasıl tahmin yaptıklarına dair içgörüler elde etmek için kullanıcı dostu bir arayüz sağlar. Makine öğrenimi modelleriyle çalışıyorsanız What If Tool kesinlikle göz atmaya değer.