YAML 및 Python을 사용하여 책임 있는 AI 인사이트 생성

  • 아티클

적용 대상:Azure CLI ml 확장 v2(현재)Python SDK azure-ai-ml v2(현재)

책임 있는 AI 구성 요소를 사용하여 파이프라인 작업을 통해 책임 있는 AI 대시보드 및 성과 기록표를 생성할 수 있습니다. 책임 있는 AI 대시보드를 만들기 위한 6가지 핵심 구성 요소와 몇 가지 도우미 구성 요소가 있습니다. 다음은 샘플 실험 그래프입니다.

샘플 실험 그래프의 스크린샷

책임 있는 AI 구성 요소

Azure Machine Learning에서 책임 있는 AI 대시보드를 만드는 핵심 구성 요소는 다음과 같습니다.

  • RAI Insights dashboard constructor
  • 도구 구성 요소는 다음과 같습니다.
    • Add Explanation to RAI Insights dashboard
    • Add Causal to RAI Insights dashboard
    • Add Counterfactuals to RAI Insights dashboard
    • Add Error Analysis to RAI Insights dashboard
    • Gather RAI Insights dashboard
    • Gather RAI Insights score card

RAI Insights dashboard constructor 및 Gather RAI Insights dashboard 구성 요소는 항상 필요하며, 도구 구성 요소 중 하나 이상도 필요합니다. 그러나 모든 책임 있는 AI 대시보드에서 모든 도구를 사용할 필요는 없습니다.

다음 섹션에는 책임 있는 AI 구성 요소의 사양과 YAML 및 Python의 코드 조각 예제가 나와 있습니다.

Important

이 문서에 표시된 항목(미리 보기)은 현재 퍼블릭 미리 보기에서 확인할 수 있습니다. 미리 보기 버전은 서비스 수준 계약 없이 제공되며 프로덕션 워크로드에는 권장되지 않습니다. 특정 기능이 지원되지 않거나 기능이 제한될 수 있습니다. 자세한 내용은 Microsoft Azure Preview에 대한 추가 사용 약관을 참조하세요.

제한 사항

현재 구성 요소 집합에는 사용에 대한 많은 제한 사항이 있습니다.

  • 모든 모델은 sklearn(scikit-learn) 버전을 사용하여 MLflow 형식으로 Azure Machine Learning에 등록되어야 합니다.
  • 모델은 구성 요소 환경에서 로드할 수 있어야 합니다.
  • 모델은 선택 가능해야 합니다.
  • 제공되는 Fetch Registered Model 구성 요소를 사용하여 책임 있는 AI 구성 요소에 모델을 제공해야 합니다.
  • 데이터 세트 입력은 mltable 형식이어야 합니다.
  • 데이터의 일반 분석만 수행되더라도 모델을 제공해야 합니다. 이를 위해 scikit-learn의 DummyClassifier 및 DummyRegressor 예측 도구를 사용할 수 있습니다.

RAI 인사이트 대시보드 생성자

이 구성 요소에는 다음과 같은 세 가지 입력 포트가 있습니다.

  • 기계 학습 모델
  • 학습 데이터 세트
  • 테스트 데이터 세트

오류 분석 및 모델 설명과 같은 구성 요소를 사용하여 모델 디버깅 인사이트를 생성하려면 모델을 학습할 때 사용한 학습 및 테스트 데이터 세트를 사용합니다. 모델이 필요하지 않은 일반 분석과 같은 구성 요소의 경우 학습 데이터 세트를 사용하여 일반 모델을 학습하여 인과 인사이트를 생성합니다. 데이터 세트를 사용하여 책임 있는 AI 대시보드 시각화를 채웁니다.

모델을 제공하는 가장 쉬운 방법은 입력 모델을 등록하고 이 문서의 뒷부분에서 설명하는 RAI Insight Constructor 구성 요소의 모델 입력 포트에서 동일한 모델을 참조하는 것입니다.

참고 항목

현재는 MLflow 형식과 sklearn 버전이 있는 모델만 지원됩니다.

두 개의 데이터 세트는 mltable 형식이어야 합니다. 제공된 학습 및 테스트 데이터 세트는 모델 학습에 사용되는 데이터 세트와 동일할 필요는 없습니다(같아도 상관 없음). 기본적으로 성능상의 이유로 테스트 데이터 세트는 시각화 UI의 5000개 행으로 제한됩니다.

또한 생성자 구성 요소는 다음 매개 변수를 허용합니다.

매개 변수 이름 설명 Type
title 대시보드에 대한 간단한 설명. 문자열
task_type 모델이 분류용인지, 회귀용인지, 예측용인지 지정합니다. classification, regression 또는 forecasting 문자열
target_column_name 모델이 예측하려고 하는 입력 데이터 세트의 열 이름입니다. 문자열
maximum_rows_for_test_dataset 테스트 데이터 세트에 허용되는 최대 행 수(성능상의 이유). 정수, 기본값은 5000임
categorical_column_names 범주 데이터를 나타내는 데이터 세트의 열입니다. 문자열의 선택적 목록1
classes 학습 데이터 세트의 클래스 레이블 전체 목록입니다. 문자열의 선택적 목록1
feature_metadata 작업 종류에 따라 대시보드에 필요할 수 있는 추가 정보를 지정합니다. 예측의 경우 여기에는 어떤 열이 datetime 열이고 어떤 열이 time_series_id 열인지 지정하는 것이 포함됩니다. 비전의 경우 여기에는 이미지의 평균 픽셀 값이나 위치 데이터가 포함될 수 있습니다. 문자열의 선택적 목록1
use_model_dependency RAI 대시보드와의 종속성 충돌로 인해 모델에 별도의 Docker 컨테이너가 제공되어야 하는지 여부를 지정합니다. 예측을 위해서는 이 기능을 사용하도록 설정해야 합니다. 일반적으로 다른 시나리오에서는 이 기능이 사용하도록 설정되지 않습니다. Boolean

1 목록은 categorical_column_names, classes, feature_metadata 입력에 대해 단일 JSON 인코딩 문자열로 제공되어야 합니다.

생성자 구성 요소에는 rai_insights_dashboard라는 단일 출력이 있습니다. 개별 도구 구성 요소가 작동하는 빈 대시보드입니다. 모든 결과는 마지막에 Gather RAI Insights dashboard 구성 요소에 의해 조합됩니다.

 create_rai_job: 

    type: command 
    component: azureml://registries/azureml/components/microsoft_azureml_rai_tabular_insight_constructor/versions/<get current version>
    inputs: 
      title: From YAML snippet 
      task_type: regression
      type: mlflow_model
      path: azureml:<registered_model_name>:<registered model version> 
      train_dataset: ${{parent.inputs.my_training_data}} 
      test_dataset: ${{parent.inputs.my_test_data}} 
      target_column_name: ${{parent.inputs.target_column_name}} 
      categorical_column_names: '["location", "style", "job title", "OS", "Employer", "IDE", "Programming language"]'

RAI 인사이트 대시보드에 일반 분석 추가

이 구성 요소는 제공된 데이터 세트의 일반 분석을 수행합니다. 이 구성 요소에는 RAI Insights dashboard constructor의 출력을 허용하는 단일 입력 포트가 있습니다. 또한 다음과 같은 매개 변수를 허용합니다.

매개 변수 이름 설명 입력
treatment_features 데이터 세트의 기능 이름 목록이며, 다른 결과를 얻도록 "처리 가능"합니다. 문자열 목록2.
heterogeneity_features 데이터 세트의 기능 이름 목록이며, "처리 가능한" 기능의 작동 방식에 영향을 줄 수 있습니다. 기본적으로 모든 기능이 고려됩니다. 문자열의 선택적 목록2.
nuisance_model 처리 기능 변경의 결과를 추정하는 데 사용되는 모델입니다. 선택적 문자열입니다. linear 또는 AutoML여야 하며 기본값은 linear입니다.
heterogeneity_model 이질성 기능이 결과에 미치는 영향을 추정하는 데 사용되는 모델입니다. 선택적 문자열입니다. linear 또는 forest여야 하며 기본값은 linear입니다.
alpha 신뢰 구간의 신뢰 수준. 선택적 부동 소수점 숫자, 기본값은 0.05입니다.
upper_bound_on_cat_expansion 범주 기능의 최대 확장입니다. 선택적 정수, 기본값은 50입니다.
treatment_cost 처리 비용입니다. 0이면 모든 처리에 비용이 들지 않습니다. 목록이 전달되면 각 요소가 treatment_features 중 하나에 적용됩니다.

각 요소는 해당 처리를 적용하는 일정한 비용을 나타내는 스칼라 값 또는 각 샘플의 비용을 나타내는 배열입니다. 처리가 불연속 처리인 경우 해당 기능의 배열은 샘플을 나타내는 첫 번째 차원, 그리고 기본값과 기본값 이외의 값 간의 비용 차이를 나타내는 두 번째 차원으로 구성된 2차원이어야 합니다.		 선택적 정수 또는 목록2.
min_tree_leaf_samples 정책 트리의 리프당 최소 샘플 수입니다. 선택적 정수, 기본값은 2입니다.
max_tree_depth 정책 트리의 최대 깊이입니다. 선택적 정수, 기본값은 2입니다.
skip_cat_limit_checks 모델이 빈틈없이 잘 맞도록 기본적으로 범주 기능에는 각 범주의 여러 인스턴스가 있어야 합니다. True로 설정하면 이러한 검사를 건너뜁니다. 선택적 부울, 기본값은 False입니다.
categories 범주 열에 사용되는 범주입니다. auto이면 모든 범주 열의 범주가 유추됩니다. 그렇지 않으면 이 인수의 항목은 범주 열만큼 많습니다.

각 항목은 해당 열의 값을 유추하는 auto 또는 열의 값 목록이어야 합니다. 명시적 값이 제공되면 첫 번째 값은 다른 값을 비교하는 열의 "컨트롤" 값으로 처리됩니다.		 선택 사항, auto 또는 목록2.
n_jobs 사용할 병렬 처리 수준. 선택적 정수, 기본값은 1입니다.
verbose 계산 중에 자세한 출력을 제공할지 여부를 나타냅니다. 선택적 정수, 기본값은 1입니다.
random_state Pseudorandom 번호 생성기(PRNG)에 대한 시드입니다. 선택적 정수입니다.

2list 매개 변수의 경우: 여러 매개 변수는 다른 형식(문자열, 숫자, 다른 목록) 목록을 허용합니다. 이러한 형식을 구성 요소에 전달하려면 먼저 단일 문자열로 JSON 인코딩해야 합니다.

이 구성 요소에는 Gather RAI Insights Dashboard 구성 요소의 insight_[n] 입력 포트 중 하나에 연결할 수 있는 단일 출력 포트가 있습니다.

  causal_01: 
    type: command 
    component: azureml://registries/azureml/components/microsoft_azureml_rai_tabular_causal/versions/<version>
    inputs: 
      rai_insights_dashboard: ${{parent.jobs.create_rai_job.outputs.rai_insights_dashboard}} 
      treatment_features: `["Number of GitHub repos contributed to", "YOE"]'

RAI 인사이트 대시보드에 반대 사실 추가

이 구성 요소는 제공된 테스트 데이터 세트에 대한 반대점을 생성합니다. RAI 인사이트 대시보드 생성자의 출력을 허용하는 단일 입력 포트가 있습니다. 또한 다음과 같은 매개 변수를 허용합니다.

매개 변수 이름 설명 Type
total_CFs 테스트 데이터 세트의 각 행에 대해 생성할 반대점의 수입니다. 선택적 정수, 기본값은 10입니다.
method 사용할 dice-ml 설명자. 선택적 문자열입니다. random, genetic 또는 kdtree 중 하나입니다. 기본값은 random입니다.
desired_class 원하는 반사실적 클래스를 식별하는 인덱스입니다. 이진 분류의 경우 opposite로 설정해야 합니다. 선택적 문자열 또는 정수입니다. 기본값은 0입니다.
desired_range 회귀 문제의 경우 원하는 결과 범위를 식별합니다. 두 숫자의 선택적 목록3.
permitted_range 기능 이름을 키로 사용하고 목록에서 허용되는 범위를 값으로 사용하는 사전입니다. 기본값은 학습 데이터에서 유추된 범위입니다. 선택적 문자열 또는 목록3.
features_to_vary 문자열 all 또는 달라질 수 있는 기능 이름 목록입니다. 선택적 문자열 또는 목록3.
feature_importance dice-ml을 사용하여 기능 중요도 계산을 사용하도록 설정하는 플래그. 선택적 부울입니다. 기본값은 True입니다.

3 스칼라가 아닌 매개 변수의 경우: 목록 또는 사전인 매개 변수는 단일 JSON 인코딩 문자열로 전달되어야 합니다.

이 구성 요소에는 Gather RAI Insights dashboard 구성 요소의 insight_[n] 입력 포트 중 하나에 연결할 수 있는 단일 출력 포트가 있습니다.

 counterfactual_01: 
    type: command 
    component: azureml://registries/azureml/components/microsoft_azureml_rai_tabular_counterfactual/versions/<version>
    inputs: 
      rai_insights_dashboard: ${{parent.jobs.create_rai_job.outputs.rai_insights_dashboard}} 
      total_CFs: 10 
      desired_range: "[5, 10]"

RAI 인사이트 대시보드에 오류 분석 추가

이 구성 요소는 모델의 오류 분석을 생성합니다. 이 구성 요소에는 RAI Insights Dashboard Constructor의 출력을 허용하는 단일 입력 포트가 있습니다. 또한 다음과 같은 매개 변수를 허용합니다.

매개 변수 이름 설명 Type
max_depth 오류 분석 트리의 최대 깊이입니다. 선택적 정수입니다. 기본값은 3입니다.
num_leaves 오류 트리의 최대 리프 수입니다. 선택적 정수입니다. 기본값은 31입니다.
min_child_samples 리프를 생성하는 데 필요한 최소 데이터 포인트 수입니다. 선택적 정수입니다. 기본값을 20으로 설정합니다.
filter_features 행렬 필터에 사용할 하나 또는 두 개의 기능 목록입니다. 단일 JSON 인코딩 문자열로 전달되는 선택적 목록입니다.

이 구성 요소에는 Gather RAI Insights Dashboard 구성 요소의 insight_[n] 입력 포트 중 하나에 연결할 수 있는 단일 출력 포트가 있습니다.

  error_analysis_01: 
    type: command 
    component: azureml://registries/azureml/components/microsoft_azureml_rai_tabular_erroranalysis/versions/<version>
    inputs: 
      rai_insights_dashboard: ${{parent.jobs.create_rai_job.outputs.rai_insights_dashboard}} 
      filter_features: `["style", "Employer"]'

RAI 인사이트 대시보드에 설명 추가

이 구성 요소는 모델에 대한 설명을 생성합니다. 이 구성 요소에는 RAI Insights Dashboard Constructor의 출력을 허용하는 단일 입력 포트가 있습니다. 단일 선택적 주석 문자열을 매개 변수로 허용합니다.

이 구성 요소에는 RAI 인사이트 수집 대시보드 구성 요소의 insight_[n] 입력 포트 중 하나에 연결할 수 있는 단일 출력 포트가 있습니다.

  explain_01: 
    type: command 
    component: azureml://registries/azureml/components/microsoft_azureml_rai_tabular_explanation/versions/<version>
    inputs: 
      comment: My comment 
      rai_insights_dashboard: ${{parent.jobs.create_rai_job.outputs.rai_insights_dashboard}}

RAI 인사이트 수집 대시보드

이 구성 요소는 생성된 인사이트를 단일 책임 있는 AI 대시보드로 어셈블합니다. 다음과 같은 5개 입력 포트가 있습니다.

  • constructor 포트 - RAI 인사이트 대시보드 생성자 구성 요소에 연결해야 합니다.
  • 도구 구성 요소의 출력에 연결할 수 있는 4개의 insight_[n] 포트. 이러한 포트 중 하나 이상을 연결해야 합니다.

두 개의 출력 포트가 있습니다.

  • dashboard 포트에는 완료된 RAIInsights 개체가 포함됩니다.
  • ux_json 포트에는 최소 대시보드를 표시하는 데 필요한 데이터가 포함됩니다.
  gather_01: 
    type: command 
    component: azureml://registries/azureml/components/microsoft_azureml_rai_tabular_insight_gather/versions/<version>
    inputs: 
      constructor: ${{parent.jobs.create_rai_job.outputs.rai_insights_dashboard}} 
      insight_1: ${{parent.jobs.causal_01.outputs.causal}} 
      insight_2: ${{parent.jobs.counterfactual_01.outputs.counterfactual}} 
      insight_3: ${{parent.jobs.error_analysis_01.outputs.error_analysis}} 
      insight_4: ${{parent.jobs.explain_01.outputs.explanation}}

책임 있는 AI 성과 기록표를 생성하는 방법(미리 보기)

구성 단계에서는 문제에 대한 도메인 전문 지식을 사용하여 모델 성능 및 공정성 메트릭에서 원하는 목표 값을 설정해야 합니다.

YAML 파이프라인에 구성된 다른 책임 있는 AI 대시보드 구성 요소와 마찬가지로 YAML 파이프라인에서 성과 기록표를 생성하는 구성 요소를 추가할 수 있습니다.

scorecard_01: 

   type: command 
   component: azureml:rai_score_card@latest 
   inputs: 
     dashboard: ${{parent.jobs.gather_01.outputs.dashboard}} 
     pdf_generation_config: 
       type: uri_file 
       path: ./pdf_gen.json 
       mode: download 

     predefined_cohorts_json: 
       type: uri_file 
       path: ./cohorts.json 
       mode: download

pdf_gen.json은 성과 기록표 생성 구성 json 파일이고predifined_cohorts_json ID는 미리 빌드된 코호트 정의 json 파일입니다.

다음은 코호트 정의 및 성과 기록표 생성 구성을 위한 샘플 JSON 파일입니다.

코호트 정의:

[ 
  { 
    "name": "High Yoe", 
    "cohort_filter_list": [ 
      { 
        "method": "greater", 
        "arg": [ 
          5 
        ], 
        "column": "YOE" 
      } 
    ] 
  }, 
  { 
    "name": "Low Yoe", 
    "cohort_filter_list": [ 
      { 
        "method": "less", 
        "arg": [ 
          6.5 
        ], 
        "column": "YOE" 
      } 
    ] 
  } 
]

다음은 회귀 예로서 성과 기록표 생성 구성 파일입니다.

{ 
  "Model": { 
    "ModelName": "GPT-2 Access", 
    "ModelType": "Regression", 
    "ModelSummary": "This is a regression model to analyze how likely a programmer is given access to GPT-2" 
  }, 
  "Metrics": { 
    "mean_absolute_error": { 
      "threshold": "<=20" 
    }, 
    "mean_squared_error": {} 
  }, 
  "FeatureImportance": { 
    "top_n": 6 
  }, 
  "DataExplorer": { 
    "features": [ 
      "YOE", 
      "age" 
    ] 
  }, 
  "Fairness": {
    "metric": ["mean_squared_error"],
    "sensitive_features": ["YOUR SENSITIVE ATTRIBUTE"],
    "fairness_evaluation_kind": "difference OR ratio"
  },
  "Cohorts": [ 
    "High Yoe", 
    "Low Yoe" 
  ]  
}

다음은 분류 예로서 성과 기록표 생성 구성 파일입니다.

{
  "Model": {
    "ModelName": "Housing Price Range Prediction",
    "ModelType": "Classification",
    "ModelSummary": "This model is a classifier that predicts whether the house will sell for more than the median price."
  },
  "Metrics" :{
    "accuracy_score": {
        "threshold": ">=0.85"
    },
  }
  "FeatureImportance": { 
    "top_n": 6 
  }, 
  "DataExplorer": { 
    "features": [ 
      "YearBuilt", 
      "OverallQual", 
      "GarageCars"
    ] 
  },
  "Fairness": {
    "metric": ["accuracy_score", "selection_rate"],
    "sensitive_features": ["YOUR SENSITIVE ATTRIBUTE"],
    "fairness_evaluation_kind": "difference OR ratio"
  }
}

책임 있는 AI 성과 기록표 구성 요소에 대한 입력 정의

이 섹션에서는 책임 있는 AI 성과 기록표 구성 요소를 구성하는 데 필요한 매개 변수를 나열하고 정의합니다.

모델

ModelName 모델 이름
ModelType ['classification', 'regression']의 값
ModelSummary 모델의 용도를 요약한 텍스트를 입력합니다.

참고 항목

다중 클래스 분류의 경우 먼저 일 대 나머지 전략을 사용하여 참조 클래스를 선택해야 하므로 다중 클래스 분류 모델을 선택한 참조 클래스와 나머지 클래스의 이진 분류 문제로 분할해야 합니다.

메트릭

성능 메트릭 정의 모델 유형
accuracy_score 올바르게 분류된 데이터 포인트의 비율입니다. 분류
precision_score 1로 분류된 데이터 포인트 중 올바르게 분류된 데이터 포인트의 비율입니다. 분류
recall_score 실제 레이블이 1인 데이터 포인트 중에서 올바르게 분류된 데이터 포인트의 비율입니다. 대체 이름: 진양성 비율, 민감도 분류
f1_score F1 점수는 정밀도 및 재현율의 조화 평균입니다. 분류
error_rate 전체 인스턴스 집합에서 잘못 분류된 인스턴스의 비율입니다. 분류
mean_absolute_error 평균 절대값 오차입니다. mean_squared_error보다 이상값에 더 강력합니다. 회귀
mean_squared_error 제곱 평균 오차입니다. 회귀
median_absolute_error 제곱 중앙값 오차입니다. 회귀
r2_score 모델에서 설명하는 레이블의 분산 비율입니다. 회귀

임계값: 선택한 메트릭에 대해 원하는 임계값입니다. 허용되는 수학 토큰은 >, <, >= 및 <=m 뒤에 실수입니다. 예를 들어 >= 0.75는 선택한 메트릭의 대상이 0.75보다 크거나 같음을 의미합니다.

기능 중요도

top_n: 표시할 기능의 수(최대 10개). 10 이하의 양의 정수만 허용됩니다.

공정성

메트릭 정의
metric 평가 공정성에 대한 기본 메트릭
sensitive_features 공정성 보고서의 중요한 기능으로 지정할 입력 데이터 세트의 기능 이름 목록입니다.
fairness_evaluation_kind ['difference', 'ratio']의 값입니다.
threshold 공정성 평가의 원하는 목표 값입니다. 허용되는 수학 토큰은 >, <, >= 및 <= 뒤에 실수입니다.
예: metric="accuracy", fairness_evaluation_kind="difference".
<= 0.05는 정확도 차이의 대상이 0.05 이하임을 의미합니다.

참고 항목

fairness_evaluation_kind 선택('차이' 및 '비율' 선택)은 대상 값의 규모에 영향을 줍니다. 선택 시 의미 있는 대상 값을 선택해야 합니다.

성과 기록표의 공정성 평가 구성 요소를 구성하기 위해 fairness_evaluation_kind와 쌍을 이루는 다음 메트릭 중에 선택할 수 있습니다.

메트릭 fairness_evaluation_kind 정의 모델 유형
accuracy_score 차이점 두 그룹 사이의 정확도 점수 최대 차이입니다. 분류
accuracy_score 비율 두 그룹 사이의 정확도 점수 최소 비율입니다. 분류
precision_score 차이점 두 그룹 사이의 정밀도 점수 최대 차이입니다. 분류
precision_score 비율 두 그룹 사이의 정밀도 점수 최대 비율입니다. 분류
recall_score 차이점 두 그룹 재현율 점수 최대 차이입니다. 분류
recall_score 비율 두 그룹 사이의 재현율 점수 최대 비율입니다. 분류
f1_score 차이점 두 그룹 사이의 f1 점수 최대 차이입니다. 분류
f1_score 비율 두 그룹 사이의 f1 점수 최대 비율입니다. 분류
error_rate 차이점 두 그룹 사이의 오류율 최대 차이입니다. 분류
error_rate 비율 두 그룹 사이의 오류율 최대 비율입니다. 분류
Selection_rate 차이점 두 그룹 사이의 선택률 최대 차이입니다. 분류
Selection_rate 비율 두 그룹 사이의 선택률 최대 비율입니다. 분류
mean_absolute_error 차이점 두 그룹 간 평균 절대 오차의 최대 차이입니다. 회귀
mean_absolute_error 비율 두 그룹 간 평균 절대 오차의 최대 비율입니다. 회귀
mean_squared_error 차이점 두 그룹 간 평균 제곱 오차의 최대 차이입니다. 회귀
mean_squared_error 비율 두 그룹 간 평균 제곱 오차의 최대 비율입니다. 회귀
median_absolute_error 차이점 두 그룹 간 중앙값 절대 오차의 최대 차이입니다. 회귀
median_absolute_error 비율 두 그룹 간 중앙값 절대 오차의 최대 비율입니다. 회귀
r2_score 차이점 두 그룹 간 R2 점수의 최대 차이입니다. 회귀
r2_Score 비율 두 그룹 간 R2 점수의 최대 비율입니다. 회귀

입력 제약 조건

지원되는 모델 형식 및 버전은 무엇인가요?

모델은 사용 가능한 sklearn 버전이 있는 MLflow 디렉터리에 있어야 합니다. 또한 책임 있는 AI 구성 요소가 사용하는 환경에서 모델을 로드할 수 있어야 합니다.

지원되는 데이터 형식은 무엇인가요?

제공된 데이터 세트는 표 형식 데이터가 포함된 mltable이어야 합니다.

다음 단계