本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。
Amazon SageMaker Clarify 可解釋性監控會重複使用 分析組態檔案 的分析組態中使用的參數子集。下列參數必須在 JSON 檔案中提供，且必須在 ModelExplainabilityAppSpecification 的 ConfigUri 參數中提供路徑。
-
"version"–(選用) 組態檔案的結構描述版本。如果未提供，則會使用最新的支援版本。 -
"headers"–(選用) 資料集中的功能名稱清單。可解釋性分析不需要標籤。 -
"methods"– 用於分析和報告的方法及其參數的清單。如果省略了任何區段，則不列入計算。-
"shap"–(選用) SHAP 值計算的區段。-
"baseline"–(選用) 資料列清單(至少一個)，或 Amazon Simple Storage Service Amazon S3 物件 URI。用作核心 SHAP 演算法中的基準資料集 (也稱為背景資料集)。此格式應與資料集格式相同。每一列應該只包含功能欄 (或值)。在將每一列傳送至模型之前，省略必須排除的任何欄。 -
"num_samples"– 要在核心 SHAP 演算法中使用的樣本數。此數字決定產生的合成資料集的大小來計算 SHAP 值。如果未提供，則 SageMaker Clarify 工作會根據功能計數來選擇值。 -
"agg_method"– 全域 SHAP 值的彙總方法。有效值如下：-
"mean_abs"– 所有執行個體的絕對 SHAP 值的平均值。 -
"median"– 所有執行個體的 SHAP 值的中間值。 -
"mean_sq"– 所有執行個體的平方 SHAP 值的平均值。
-
-
"use_logit"–(選用) 布林值，指出 logit 函式是否要套用至模型預測。如果"use_logit"是truefalse。 -
"save_local_shap_values"–(選用) 布林值，指示是否要將本機 SHAP 值儲存在輸出位置。使用true以儲存。使用false不要儲存。預設值為false。
-
-
-
"predictor"– (即時端點為選用，批次轉換為必要) 模型參數的區段，如果"shap"和"post_training_bias"區段存在，則為必要。-
"model_name"– 由CreateModelAPI 建立的模型名稱，容器模式為SingleModel。 -
"instance_type"– 陰影端點的執行個體類型。 -
"initial_instance_count"– 陰影端點的執行個體計數。 -
"content_type"–(選用) 用於透過陰影端點取得推論的模型輸入格式。有效值為"text/csv"(對於 CSV)、"application/jsonlines"(對於 JSON 行)、application/x-parquet(對於 Apache Parquet)，以及application/x-image以啟用電腦視覺可解釋性。預設值與dataset_type格式相同。 -
"accept_type"–(選用) 用於透過陰影端點取得推論的模型輸出格式。有效值為"text/csv"(對於 CSV)、"application/jsonlines"(對於 JSON 行)。如果省略，SageMaker Clarify 會使用擷取資料的回應資料類型。 -
"content_template"–(選用) 用來建構資料集執行個體之模型輸入的範本字串。只有在"content_type"為"application/jsonlines"時才會使用。該範本應只有一個預留位置$features，它在執行期時被功能清單取代。例如，指定"content_template":"{\"myfeatures\":$features}"，如果執行個體 (無標籤) 是1,2,3，則模型輸入變為 JSON 行'{"myfeatures":[1,2,3]}'。 -
"label_headers"–(選用) 資料集中"label"接收的值清單。將模型端點或批次轉換工作傳回的分數與其對應的標籤值相關聯。如果有提供，則分析報告會使用標題，而不是像“label0”的預留位置。
-
其他參數應在 ModelExplainabilityJobInput API 的 EndpointInput (用於即時端點)或 BatchTransformInput (用於批次轉換工作)中提供。
-
FeaturesAttribute– 如果端點或批次工作輸入資料格式為"application/jsonlines"，則此參數是必要項目。如果資料集格式是 JSON 行，它是用於定位功能欄的 JMESPath。 -
ProbabilityAttribute– 機率的模型輸出中的索引或 JMESPath 位置。例如，如果模型輸出是含有標籤和機率清單的 JSON 行，則會選擇對應於最大機率的標籤進行偏差運算。
CSV 和 JSON 行資料集的 JSON 組態檔案範例
以下是 JSON 檔案的範例，用來設定 CSV 和 JSON 行資料集以監控功能屬性偏離。
CSV 資料集
考慮有三個數值特徵欄的資料集，如下列範例所示。
0.5814568701544718, 0.6651538910132964, 0.3138080342665499
0.6711642728531724, 0.7466687034026017, 0.1215477472819713
0.0453256543003371, 0.6377430803264152, 0.3558625219713576
0.4785191813363956, 0.0265841045263860, 0.0376935084990697假設模型輸出有兩欄，其中第一個是預測標籤，第二個是機率，如下列範例所示。
1, 0.5385257417814224下列 JSON 組態檔案會顯示如何設定此 CSV 資料集。
{
"headers": [
"feature_1",
"feature_2",
"feature_3"
],
"methods": {
"shap": {
"baseline": [
[0.4441164946610942, 0.5190374448171748, 0.20722795300473712]
],
"num_samples": 100,
"agg_method": "mean_abs"
}
},
"predictor": {
"model_name": "my_model",
"instance_type": "ml.m5.xlarge",
"initial_instance_count": 1
}
}預測標籤由 "ProbabilityAttribute" 參數選取。使用從零開始的編號，因此 1 表示模型輸出的第二欄。
"EndpointInput": {
...
"ProbabilityAttribute": 1
...
}JSON 行資料集
考慮有四個功能欄和一個標籤欄的資料集，其中第一個功能和標籤是二進位，如下列範例所示。
{"features":[0, 0.5814568701544718, 0.6651538910132964, 0.3138080342665499], "label":0}
{"features":[1, 0.6711642728531724, 0.7466687034026017, 0.1215477472819713], "label":1}
{"features":[0, 0.0453256543003371, 0.6377430803264152, 0.3558625219713576], "label":1}
{"features":[1, 0.4785191813363956, 0.0265841045263860, 0.0376935084990697], "label":1}模型輸入與資料集格式相同，模型輸出為 JSON 行，如下列範例所示。
{"predicted_label":1, "probability":0.5385257417814224}在下面的範例中，JSON 組態檔案會顯示如何設定此 JSON 行資料集。
{
"headers": [
"feature_1",
"feature_2",
"feature_3"
],
"methods": {
"shap": {
"baseline": [
{"features":[0.4441164946610942, 0.5190374448171748, 0.20722795300473712]}
],
"num_samples": 100,
"agg_method": "mean_abs"
}
},
"predictor": {
"model_name": "my_model",
"instance_type": "ml.m5.xlarge",
"initial_instance_count": 1,
"content_template":"{\"features\":$features}"
}
}然後，EndpointInput 中的 "features" 參數值 (針對即時端點) 或 BatchTransformInput (針對批次轉換工作) 用於訂位資料集中的功能，而 "probability" 參數值會從模型輸出中選取機率值。
"EndpointInput": {
...
"FeaturesAttribute": "features",
"ProbabilityAttribute": "probability",
...
}