利用 Watson OpenScale 监视模型  

通过 IBM Cloud Pak for Data 上的 IBM Watson Machine Learning 来训练、创建和部署机器学习模型

Description

此 Pattern 已纳入 IBM Cloud Pak for Data 快速入门学习路径

在本 Code Pattern 中,我们将使用德国信用数据,通过 IBM Cloud Pak for Data 上的 Watson Machine Learning 来训练、创建和部署机器学习模型。我们将使用 Watson OpenScale 为此模型创建数据集市,并配置 OpenScale 来监视该部署。接下来,我们将注入七天的历史记录和测量结果,以便在 OpenScale Insights 仪表板中查看。

概览

用于此 Pattern 的数据集包含来自各个用户的信贷申请相关信息。我们可以使用深度神经网络,通过 Watson Machine Learning 创建机器学习模型,然后部署此模型,以便用于预测未来违约风险。鉴于信用评分的敏感性质,这成为了由 IBM Cloud Pak for Data 提供的内部部署解决方案的理想用例。

部署的机器学习模型现在可通过 Watson OpenScale 来监视。持续使用将会生成相关数据来帮助管理员确保模型质量,并解释数据集的哪些功能对创建风险评分的影响最大。将配置偏差检测功能,从而深入洞悉模型预测的公平性。在 OpenScale 仪表板中可查看所有此类信息的详情。

学完本 Code Pattern 之后,您将掌握如何:

  • 使用 IBM Cloud Pak for Data 上的 Watson Machine Learning 服务来创建和部署机器学习模型。
  • 设置 Watson OpenScale 数据集市
  • 将 Watson Machine Learning 绑定到 Watson OpenScale 数据集市。
  • 向数据集市添加订阅。
  • 为订阅的资产启用有效负载日志记录和性能监控。
  • 启用质量(准确性)监视器。
  • 启用公平性监视器。
  • 使用 Watson Machine Learning 对德国信用模型进行评分。
  • 将历史有效负载、公平性指标和质量指标插入数据集市。
  • 使用数据集市通过订阅来访问表数据。

  1. 开发者在 IBM Cloud Pak for Data 上创建 Jupyter Notebook。
  2. 将 IBM Cloud Pak for Data 上的 OpenScale 连接到 Db2 数据库,该数据库用于存储 Watson OpenScale 数据。
  3. 将 Notebook 连接到 Watson Machine Learning,并对模型进行训练和部署。
  4. Notebook 使用 Watson OpenScale 记录有效负载并监视性能、质量和公平性。
  5. OpenScale 将监视 Watson Machine Learning 模型的性能、公平性、质量和可解释性。

Instructions

准备好实践本 Code Pattern 了吗?参阅 README,获取有关如何开始运行的完整详细信息。这些步骤将展示如何:

  • 克隆该存储库。
  • 在 Jupyter Notebook 中配置 OpenScale。
  • 将仪表板用于 OpenScale。

本 Code Pattern 为您展示了如何通过使用 IBM Cloud Pak for Data 上的 Watson Machine Learning 来训练、创建和部署机器学习模型。本 Code Pattern 已纳入 IBM Cloud Pak for Data 快速入门学习路径系列课程。

本 Pattern 同时也纳入 Watson OpenScale 快速入门学习路径。要继续完成此学习路径,可参阅随时随地将 OpenScale 与任意模型配合使用

相关博客

相关链接

英文原文

Monitoring the model with Watson OpenScale(2019-10-04)

数据预处理详解

本文重点介绍了数据预处理(这是数据科学的第一步)。它介绍了整个预处理流程,并探讨了用于完成此流程中每个步骤的不同方法。

Privacy Preference Center

Close your account?

Your account will be closed and all data will be permanently deleted and cannot be recovered. Are you sure?