Compartilhar via

Usar o painel de IA Responsável no Estúdio do Azure Machine Learning

  • Artigo

Os dashboards de IA responsável estão vinculados aos modelos registrados. Para exibir seu dashboard de IA responsável, acesse o registro de modelo e selecione o modelo registrado para o qual você gerou um dashboard de IA responsável. Em seguida, selecione a guia IA Responsável para exibir uma lista de painéis gerados.

Captura de tela do painel de detalhes do modelo no Estúdio do Azure Machine Learning, com a guia 'IA Responsável' realçada.

Você pode configurar vários painéis e anexá-los ao modelo registrado. Várias combinações de componentes (interpretabilidade, análise de erros, análise de causa e assim por diante) podem ser anexadas a cada painel de IA Responsável. A imagem a seguir exibe a personalização de um painel e os componentes que foram gerados dentro dele. Em cada painel, você pode exibir ou ocultar vários componentes dentro da própria interface do usuário do painel.

Captura de tela da guia IA Responsável com um nome de painel realçado.

Selecione o nome do painel para abri-lo em uma visualização completa em seu navegador. Para retornar à sua lista de painéis, selecione Voltar aos detalhes dos modelos a qualquer momento.

Captura de tela de um painel da IA Responsável com o botão 'Voltar aos detalhes do modelo' realçado.

Funcionalidade completa com o recurso de computação integrado

Alguns recursos do painel de IA Responsável exigem computação dinâmica, imediata e em tempo real (por exemplo, análise de teste de hipóteses). A menos que você conecte um recurso de computação ao painel, poderá encontrar algumas funcionalidades ausentes. Ao se conectar a um recurso de computação, você habilita a funcionalidade completa do painel de IA Responsável para os seguintes componentes:

  • Análise de erros
    • Definir seu coorte de dados globais para qualquer coorte de interesse atualizará a árvore de erros em vez de desabilitá-la.
    • Há suporte para a seleção de outras métricas de erro ou de desempenho.
    • Há suporte para a seleção de qualquer subconjunto de recursos para treinar o mapa de árvore de erros.
    • Há suporte para a alteração do número mínimo de exemplos necessários por nó folha e a profundidade da árvore de erro.
    • Há suporte para a atualização dinâmica do mapa de calor para até dois recursos.
  • Importância do recurso
    • Há suporte para um gráfico de ICE (expectativa condicional individual) na guia de importância do recurso individual.
  • Teste de hipóteses contrafactual
    • Há suporte para a geração de um novo ponto de dados contrafatual de teste de hipóteses para entender a alteração mínima necessária para obter um resultado desejado.
  • Análise de causa
    • Há suporte para a seleção de qualquer ponto de dados individual. É possível perturbar os recursos de tratamento dele e ver o resultado de causa esperado do teste de hipóteses de causa (apenas para cenários de aprendizado de máquina de regressão).

Você também pode encontrar essas informações na página do painel de IA Responsável selecionando o ícone Informações, conforme mostrado na imagem a seguir:

Captura de tela do ícone 'Informações' no painel de IA Responsável.

Habilite a funcionalidade completa do painel de IA Responsável

  1. Selecione uma instância de computação em execução na lista suspensa de Computação na parte superior do painel. Se você não tiver uma computação em execução, crie uma nova instância de computação selecionando o sinal de mais (+) ao lado da lista suspensa. Ou você pode selecionar o botão Iniciar computação para iniciar uma instância de computação interrompida. Criar ou iniciar uma instância de computação pode levar alguns minutos.

    Captura de tela da caixa suspensa 'Computação' para selecionar uma instância de computação em execução.

  2. Quando uma computação estiver no estado Em execução, o painel de IA Responsável começa a se conectar à instância de computação. Para isso, um processo de terminal é criado na instância de computação selecionada e um ponto de extremidade de IA Responsável é iniciado no terminal. Selecione Exibir saídas do terminal para exibir o processo de terminal atual.

    Captura de tela mostrando que o painel IA Responsável está se conectando a um recurso de computação.

  3. Quando o painel de IA responsável estiver conectado à instância de computação, você verá uma barra de mensagens verde e o dashboard estará totalmente funcional.

    Captura de tela mostrando que o painel está conectado à instância de computação.

  4. Se o processo demorar um pouco e o painel de IA Responsável ainda não estiver conectado à instância de computação, ou uma barra de mensagens de erro vermelha for exibida, significa que há problemas com a inicialização do ponto de extremidade de IA Responsável. Selecione Exibir saídas de terminal e role para baixo até a parte inferior para exibir a mensagem de erro.

    Captura de tela de um erro ao se conectar a uma computação.

    Se você estiver tendo dificuldade em descobrir como resolver o problema "falha ao se conectar à instância de computação", selecione o ícone Smile no canto superior direito. Envie comentários para nós sobre qualquer erro ou problema encontrado. Você pode incluir uma captura de tela e seu endereço de email no formulário de comentários.

Visão geral da interface do usuário do dashboard de IA responsável

O painel de IA Responsável inclui um conjunto robusto e avançado de visualizações e funcionalidades para ajudar você a analisar seu modelo de machine learning ou tomar decisões de negócios orientadas por dados:

Controles globais

Na parte superior do painel, você pode criar coortes (subgrupos de pontos de dados que compartilham características especificadas), para concentrar sua análise de cada componente. O nome do coorte que está atualmente aplicado ao painel é sempre mostrado no canto superior esquerdo acima do painel. A exibição padrão no painel é todo o conjunto de dados, intitulado Todos os dados (padrão).

Captura de tela de um painel de IA Responsável mostrando todos os dados.

  1. Configurações de coorte: permite exibir e modificar os detalhes de cada coorte em um painel lateral.
  2. Configuração do painel: permite exibir e modificar o layout do painel geral em um painel lateral.
  3. Alternar coorte: permite selecionar um coorte diferente e exibir as estatísticas em uma janela pop-up.
  4. Novo coorte: permite criar e adicionar um novo coorte ao painel.

Selecione Configurações de coorte para abrir um painel com uma lista dos seus coortes, na qual você pode criar, editar, duplicar ou excluí-los.

Captura de tela mostrando as configurações de coorte no painel.

Selecione Novo coorte no canto superior do painel ou em Configurações de coorte para abrir um novo painel com as seguintes opções de filtro:

  1. Índice: filtra pela posição do ponto de dados no conjunto de dados completo.
  2. Conjunto de dados: filtra pelo valor de um recurso específico no conjunto de dados.
  3. Y previsto: filtra pela previsão feita pelo modelo.
  4. Y verdadeiro: filtra pelo valor real do recurso de destino.
  5. Erro (regressão): filtra por erro (ou Resultado de Classificação (classificação): filtra por tipo e precisão de classificação).
  6. Valores Categóricos: filtra por uma lista de valores que devem ser incluídos.
  7. Valores Numéricos: filtra por uma operação Booliana sobre os valores (por exemplo, seleciona os pontos de dados em que a idade < 64).

Captura de tela da criação de vários novos coortes.

Você pode nomear sua nova coorte de conjunto de dados, selecionar Adicionar filtro para adicionar cada filtro que deseja usar e, em seguida, fazer um dos seguintes procedimentos:

  • Selecione Salvar para salvar a nova coorte na sua lista de coortes.
  • Selecione Salvar e alternar para salvar e alternar imediatamente a coorte global do painel para a coorte recém-criada.

Captura de tela da criação de um novo coorte no painel.

Selecione Configuração do painel para abrir um painel com uma lista dos componentes configurados no seu painel. Você pode ocultar componentes no painel selecionando o ícone Lixeira, conforme mostrado na imagem a seguir:

Captura de tela mostrando a configuração do painel.

Adicione componentes de volta ao painel por meio do ícone de sinal de adição circular azul (+) no divisor entre cada componente, conforme mostrado na imagem a seguir:

Captura de tela da adição de um componente ao painel.

Análise de erros

As próximas seções abordam como interpretar e usar mapas de árvore de erros e mapas de calor.

Mapa da árvore de erros

O primeiro painel do componente de análise de erros é um mapa de árvore, que ilustra como a falha do modelo é distribuída entre várias coortes com uma visualização de árvore. Selecione qualquer nó para ver o caminho de previsão nos seus recursos onde um erro foi encontrado.

Captura de tela do painel mostrando uma análise de erros no painel do mapa de árvore.

  1. Modo de exibição de mapa de calor: alterna para a visualização de mapa de calor da distribuição de erros.
  2. Lista de recursos: permite modificar os recursos usados no mapa de calor usando um painel lateral.
  3. Cobertura de erro: exibe o percentual de todos os erros no conjunto de dados concentrado no nó selecionado.
  4. Erro (regressão) ou taxa de erro (classificação): exibe o erro ou o percentual de falhas de todos os pontos de dados no nó selecionado.
  5. Nó: representa um coorte do conjunto de dados, potencialmente com filtros aplicados, e o número de erros em relação ao número total de pontos de dados no coorte.
  6. Linha de preenchimento: exibe a distribuição de pontos de dados em coortes filhos com base em filtros, com o número de pontos de dados representados por meio da espessura da linha.
  7. Informações de seleção: contém informações sobre o nó selecionado em um painel lateral.
  8. Salvar como um novo coorte: cria um coorte com os filtros especificados.
  9. Instâncias no coorte base: exibe o número total de pontos em todo o conjunto de dados e o número de pontos previstos corretamente e incorretamente.
  10. Instâncias no coorte selecionado: exibe o número total de pontos no nós selecionado e o número de pontos previstos corretamente e incorretamente.
  11. Caminho de previsão (filtros): lista os filtros colocados sobre o conjunto de dados completo para criar este coorte menor.

Selecione o botão Lista de recursos para abrir um painel lateral, do qual você pode treinar novamente a árvore de erros em recursos específicos.

Captura de tela do painel lateral do painel, que lista os recursos selecionáveis de um mapa de árvore de análise de erros.

  1. Recursos de pesquisa: permite que você encontre recursos específicos no conjunto de dados.
  2. Recursos: lista o nome do recurso no conjunto de dados.
  3. Importâncias: uma diretriz de como o recurso pode estar relacionado ao erro. Calculado por meio da pontuação de informações mútuas entre o recurso e o erro nos rótulos. Você pode usar essa pontuação para ajudar a decidir quais recursos escolher na análise de erros.
  4. Marca de seleção: permite adicionar ou remover o recurso do mapa de árvore.
  5. Profundidade máxima: a profundidade máxima da árvore alternativa treinada em erros.
  6. Número de folhas: o número de folhas da árvore alternativa treinada em erros.
  7. Número mínimo de exemplos em uma folha: a quantidade mínima de dados necessários para criar uma folha.

Mapa de calor de erro

Selecione a guia Mapa de calor para alternar para uma exibição diferente do erro no conjunto de dados. Você pode selecionar uma ou muitas células de mapa de calor e criar coortes. Você pode escolher até dois recursos para criar um mapa de calor.

Captura de tela do painel mostrando um mapa de calor de análise de erros e uma lista de recursos para comparar.

  1. Células: exibe o número de células selecionadas.
  2. Cobertura de erro: exibe o percentual de todos os erros concentrados nas células selecionadas.
  3. Taxa de erro: exibe o percentual de falhas de todos os pontos de dados nas células selecionadas.
  4. Recursos do eixo: seleciona a intersecção de recursos a ser exibida no mapa de calor.
  5. Células: representa um coorte do conjunto de dados, com filtros aplicados e o percentual de erros em relação ao número total de pontos de dados no coorte. Um contorno azul indica as células selecionadas e o vermelho escuro representa a concentração de falhas.
  6. Caminho de previsão (filtros): lista os filtros colocados sobre o conjunto de dados completo para cada coorte selecionado.

Visão geral do modelo e métricas de imparcialidade

O componente visão geral do modelo fornece um conjunto abrangente de métricas de desempenho e imparcialidade para avaliar seu modelo, junto com as principais métricas de disparidade de desempenho ao longo dos recursos especificados e coortes de conjunto de dados.

Conjunto de dados de coorte

O painel Coortes de conjunto de dados permite que você investigue seu modelo comparando o desempenho do modelo de vários coortes de conjuntos de dados especificadas pelo usuário (acessíveis por meio do ícone de Configurações de coorte no canto superior direito do painel).

Captura de tela do painel 'Visão geral do modelo', mostrando a guia de 'Coortes do conjunto de dados'.

  1. Ajude-me a escolher métricas: selecione este ícone para abrir um painel com mais informações sobre quais métricas de desempenho do modelo estão disponíveis para serem mostradas na tabela. Ajuste facilmente quais métricas exibir usando a lista suspensa de várias seleções para selecionar e desmarcar métricas de desempenho.
  2. Mostrar mapa de calor: ativar e desativar para mostrar ou ocultar a visualização do mapa de calor na tabela. O gradiente do mapa de calor corresponde ao intervalo normalizado entre o valor mais baixo e o valor mais alto em cada coluna.
  3. Tabela de métricas para cada coorte de conjunto de dados: visualize colunas de coortes de conjunto de dados, o tamanho de exemplo de cada coorte e as métricas de desempenho do modelo selecionadas para cada coorte.
  4. Gráfico de barras visualizando métricas individuais: visualize o erro absoluto médio entre as coortes para facilitar a comparação.
  5. Escolha a métrica (eixo x): selecione este botão para escolher quais métricas exibir no gráfico de barras.
  6. Escolha os coortes (eixo y): selecione este botão para escolher quais coortes exibir no gráfico de barras. A seleção de coorte de recursos pode estar desabilitada, a menos que você primeiro especifique os recursos desejados na guia Coorte de recursos do componente.

Selecione Ajude-me a escolher métricas para abrir um painel com uma lista de métricas de desempenho do modelo e suas definições, o que pode ajudar você a selecionar as métricas corretas a serem exibidas.

Cenário de aprendizado de máquina Métricas
Regressão Erro médio absoluto, erro quadrático médio, R-quadrado, previsão média.
classificação Acurácia, precisão, recall, medida f, taxa de falsos positivos, taxa de falsos negativos, taxa de seleção.

Coortes de recursos

No painel Coortes de recursos, você pode investigar seu modelo comparando o desempenho do modelo entre recursos confidenciais e não confidenciais especificados pelo usuário (por exemplo, desempenho em vários coortes de gênero, raça e nível de renda).

Captura de tela o painel 'Visão geral do modelo' do painel, mostrando a guia de 'Coortes de recursos'.

  1. Ajude-me a escolher métricas: selecione este ícone para abrir um painel com mais informações sobre quais métricas estão disponíveis para serem mostradas na tabela. Ajuste facilmente quais métricas exibir usando o menu suspenso de várias seleções para selecionar e desmarcar métricas de desempenho.

  2. Ajude-me a escolher recursos: selecione este ícone para abrir um painel com mais informações sobre quais recursos estão disponíveis para serem mostrados na tabela, com descritores de cada recurso e sua capacidade de compartimentalização (veja abaixo). Ajuste facilmente quais recursos exibir usando a lista suspensa de seleção múltipla para selecioná-los e desmarcá-los.

    Captura de tela do painel 'Visão do modelo' do painel, mostrando como escolher recursos.

  3. Mostrar mapa de calor: ativar e desativar para ver uma visualização do mapa de calor. O gradiente do mapa de calor corresponde ao intervalo que é normalizado entre o valor mais baixo e o valor mais alto em cada coluna.

  4. Tabela de métricas para cada coorte de recursos: tabela com colunas para coortes de recursos (subcoorte do recurso selecionado), tamanho de exemplo de cada coorte e as métricas de desempenho do modelo selecionadas para cada coorte de recursos.

  5. Métricas de imparcialidade/métricas de disparidade: tabela que corresponde à tabela de métricas e mostra a diferença máxima ou a proporção máxima em pontuações de desempenho entre os dois coortes de recursos.

  6. Gráfico de barras visualizando métricas individuais: visualize o erro absoluto médio entre as coortes para facilitar a comparação.

  7. Escolha os coortes (eixo y): selecione este botão para escolher quais coortes exibir no gráfico de barras.

    Selecionar Escolher coortes abre um painel com uma opção para mostrar uma comparação de coortes de conjuntos de dados selecionados ou coortes de recursos, dependendo do que você selecionar na lista suspensa de seleção múltipla abaixo. Selecione Confirmar para salvar as alterações no modo de exibição do gráfico de barras.

    Captura de tela do painel 'Visão do modelo' do painel, mostrando como escolher coortes.

  8. Escolha a métrica (eixo x): selecione este botão para escolher qual métrica exibir no gráfico de barras.

Análise de dados

Com o componente de análise de dados, o painel Exibição de tabela mostra uma exibição de tabela do conjunto de dados para todos os recursos e linhas.

O painel Exibição de gráfico mostra a agregação e gráficos individuais de pontos de dados. Você pode analisar estatísticas de dados ao longo do eixo x e do eixo y usando filtros como resultado previsto, recursos de conjunto de dados e grupos de erros. Essa exibição ajuda você a entender a representação excessiva e a representação insuficiente no conjunto de dados.

Captura de tela do painel mostrando a análise de dados.

  1. Selecionar um coorte de conjunto de dados para explorar: especifique de qual coorte de conjunto de dados você deseja exibir as estatísticas de dados.

  2. Eixo X: exibe o tipo de valor que está sendo plotado horizontalmente. Modifique os valores selecionando o botão para abrir um painel lateral.

  3. Eixo Y: exibe o tipo de valor que está sendo plotado verticalmente. Modifique os valores selecionando o botão para abrir um painel lateral.

  4. Tipo de gráfico: especifica o tipo de gráfico. Escolha entre gráficos de agregação (gráficos de barras) ou pontos de dados individuais (gráfico de dispersão).

    Ao selecionar a opção Pontos de dados individuais em Tipo de gráfico, você pode mudar para uma exibição desagregada dos dados com a disponibilidade de um eixo de cores.

Captura de tela do painel mostrando a análise de dados com a opção 'Pontos de dados individuais' selecionada.

Importâncias do recurso (explicações de modelo)

Usando o componente de explicação do modelo, você pode ver quais recursos foram mais importantes nas previsões do seu modelo. É possível exibir quais recursos afetaram a previsão do modelo de modo geral no painel Importância de recursos agregados ou exibir a importância de recursos para pontos de dados individuais no painel Importância de recursos individuais.

Importâncias do recurso de agregação (explicações globais)

Captura de tela do painel mostrando as importâncias agregadas do recurso no painel 'Importâncias do recurso'.

  1. Principais recursos K: lista os recursos globais mais importantes para uma previsão e permite alterá-los usando uma barra de controle deslizante.

  2. Importância do recurso de agregação: visualiza o peso de cada recurso para influenciar decisões de modelo em todas as previsões.

  3. Classificar por: permite que você selecione quais importâncias de coorte usar para classificar o grafo de importância do recurso de agregação.

  4. Tipo de gráfico: permite que você selecione entre uma exibição de gráfico de barras de importância média para cada recurso e um gráfico de caixas de importâncias de todos os dados.

    Ao selecionar um dos recursos no gráfico de barras, o gráfico de dependência é preenchido, conforme mostrado na imagem a seguir. O gráfico de dependência mostra a relação dos valores de um recurso com os valores de importância do recurso correspondente, que afetam a previsão do modelo.

    Captura de tela do painel mostrando um gráfico de dependência preenchido no painel 'Importâncias do recurso agregado'.

  5. Importância do recurso [recurso] (regressão) ou importância do recurso [recurso] em [classe prevista] (classificação): plota a importância de um recurso específico nas previsões. Em cenários de regressão, os valores de importância estão em termos de saída, portanto, a importância do recurso positiva significa que ela contribuiu positivamente para a saída. O oposto se aplica à importância do recurso negativa. Para cenários de classificação, as importâncias do recurso positivas significam que o valor do recurso está contribuindo para a classe prevista indicada no título do eixo y. A importância do recurso negativa significa que ele não está contribuindo com a classe prevista.

  6. Exibir gráfico de dependência para: seleciona o recurso cujas importâncias você deseja plotar.

  7. Selecionar um coorte do conjunto de dados: seleciona o coorte cujas importâncias você deseja plotar.

Importâncias do recurso individual (explicações locais)

A imagem a seguir ilustra como os recursos influenciam as previsões feitas em pontos de dados específicos. Você pode escolher até cinco pontos de dados com os quais comparar as importâncias do recurso.

Captura de tela do painel mostrando o painel 'Importâncias do recurso individuais'.

Tabela de seleção de pontos: veja seus pontos de dados e selecione até cinco pontos para serem exibidos no gráfico de importância do recurso ou no gráfico ICE abaixo da tabela.

Captura de tela do painel mostrando um gráfico de barras no painel 'Importâncias de recursos individuais'.

Gráfico de importância do recurso: um gráfico de barras da importância de cada recurso para a previsão do modelo nos pontos de dados selecionados.

  1. Principais recursos K: permite que você especifique o número de recursos dos quais mostrar importâncias usando um controle deslizante.
  2. Classificar por: permite que você selecione o ponto (entre aqueles verificados acima) cujas importâncias do recurso são exibidas em ordem decrescente no gráfico de importância do recurso.
  3. Exibir valores absolutos: alternar para classificar o gráfico de barras pelos valores absolutos. Isso permite que você veja os recursos mais impactantes, independentemente de sua direção positiva ou negativa.
  4. Gráfico de barras: exibe a importância de cada recurso no conjunto de dados para a previsão de modelo dos pontos de dados selecionados.

Gráfico ICE (expectativa condicional individual): alterna para o gráfico ICE, que mostra as previsões do modelo em um intervalo de valores de um recurso específico.

Captura de tela do painel mostrando um gráfico ICE no painel 'Importâncias do recurso individual'.

  • Mínimo (recursos numéricos): especifica o limite inferior do intervalo de previsões no gráfico de ICE.
  • Máximo (recursos numéricos): especifica o limite superior do intervalo de previsões no gráfico de ICE.
  • Etapas (recursos numéricos): especifica para quais número de pontos mostrar previsões dentro do intervalo.
  • Valores de recurso (recursos categóricos): especifica para quais valores categóricos de recurso mostrar previsões.
  • Recurso: especifica o recurso para o qual fazer previsões.

Teste de hipóteses contrafactual

A análise contrafatual fornece um conjunto diversificado de exemplos de teste de hipóteses gerados alterando os valores dos recursos minimamente para produzir a classe de previsão desejada (classificação) ou intervalo (regressão).

Captura de tela do painel mostrando os contrafatuais.

  1. Seleção de pontos: seleciona o ponto para o qual criar um contrafatual e exibir no gráfico de recursos mais bem classificados abaixo dele.

    Captura de tela do painel mostrando um gráfico de recursos com classificação mais alta.

    Gráfico de recursos mais bem classificados: exibe, em ordem decrescente de frequência média, os recursos a serem perturbados para criar um conjunto diversificado de contrafatuais da classe desejada. Você precisa gerar pelo menos 10 contrafatuais diferentes por ponto de dados para habilitar esse gráfico porque ocorre uma falta de precisão com um número menor de contrafatuais.

  2. Ponto de dados selecionado: executa a mesma ação que a seleção de ponto na tabela, exceto em um menu suspenso.

  3. Classe desejada de contrafatuais: especifica a classe ou intervalo para o qual gerar contrafatuais.

  4. Criar um contrafatual de teste de hipóteses: abre um painel para criação do ponto de dados de teste de hipóteses contrafatual.

    Selecione o botão Criar o teste de hipóteses contrafatuais para abrir um painel de janela completo.

    Captura de tela do painel mostrando teste de hipóteses contrafatuais.

  5. Pesquisar recursos: localiza recursos para observar e alterar valores.

  6. Classificar os contrafatuais por recursos classificados: classifica exemplos de contrafatuais em ordem de efeito de perturbação. (Veja também o gráfico de recursos mais bem classificados, discutido anteriormente.)

  7. Exemplos contrafatuais: lista valores de recursos de exemplos de contrafatuais com a classe ou intervalo desejados. A primeira linha é o ponto de dados de referência original. Selecione Definir valor para definir todos os valores do seu ponto de dados contrafatual na linha inferior com os valores do exemplo contrafatual pré-gerado.

  8. Valor ou classe previsto: lista a previsão de modelo da classe de um contrafatual, considerando esses recursos alterados.

  9. Crie seu próprio contrafatual: permite que você perturbe seus próprios recursos para modificar o contrafatual. Os recursos que foram alterados do valor do recurso original são indicados pelo título em negrito (por exemplo, linguagem Empregador e Programação). Selecionar Visualizar delta de previsão para exibição da diferença no novo valor de previsão em relação ao ponto de dados original.

  10. Nome do contrafatual do teste de hipóteses: permite que você nomeie o contrafatual exclusivamente.

  11. Salvar como novo ponto de dados: salva o contrafatual que você criou.

Análise de causa

As próximas seções abordam como ler a análise de causa do conjunto de dados em tratamentos selecionados especificados pelo usuário.

Efeitos causais de agregação

Selecione a guia Agregar efeitos causais do componente Análise de para exibir os efeitos causais médios dos recursos de tratamento predefinidos (os recursos que você deseja tratar para otimizar o resultado).

Observação

Não há suporte para a funcionalidade de coorte global no componente de análise causal.

Captura de tela do painel mostrando a análise de causa no painel 'Efeitos causais agregados'.

  1. Tabela de efeito causal de agregação direta: exibe o efeito causal de cada recurso agregado em todo o conjunto de dados e estatísticas de confiança associadas.

    • Tratamentos contínuos: neste exemplo, em média, aumentar esse recurso em uma unidade aumentará a probabilidade da classe em X unidades, em que X é o efeito causal.
    • Tratamentos binários: neste exemplo, em média, ativar esse recurso aumentará a probabilidade da classe em X unidades, em que X é o efeito causal.

  2. Gráfico de caixa estreita de efeito causal de agregação direto: visualiza os efeitos causais e os intervalos de confiança dos pontos na tabela.

Efeitos causais individuais e teste de hipóteses causal

Para obter uma exibição granular dos efeitos causais em um ponto de dados individual, alterne para a guia Teste de hipóteses causal individual.

Captura de tela do painel mostrando a análise de causa na guia de teste de hipóteses causais individuais.

  1. Eixo X: seleciona o recurso a ser plotado no eixo X.
  2. Eixo Y: seleciona o recurso a ser plotado no eixo Y.
  3. Gráfico de dispersão causal individual: visualiza pontos na tabela como um gráfico de dispersão para selecionar o pontos de dados para análise de teste de hipóteses causal e exibição dos efeitos causais individuais abaixo dele.
  4. Definir novo tratamento de valor:
    • (numérico): mostra um controle deslizante para alterar o valor do recurso numérico como uma intervenção real.
    • (categórico): mostra uma lista suspensa para seleção do valor do recurso categórico.

Política de tratamento

Selecione a guia Política de tratamento para alternar para um modo de exibição que ajuda a determinar as intervenções do mundo real e mostre os tratamentos a serem aplicados para obter um resultado específico.

Captura de tela do painel mostrando a análise de causa no painel 'Política de tratamento'.

  1. Definir recurso de tratamento: seleciona um recurso a ser alterado como uma intervenção real.

  2. Política de tratamento global recomendada: exibe intervenções recomendadas para coortes de dados para aprimorar o valor do recurso de destino. A tabela pode ser lida da esquerda para a direita e a segmentação do conjunto de dados é feita primeiro em linhas e depois em colunas. Por exemplo, para 658 indivíduos cujo empregador não é o Snapchat e cuja linguagem de programação não é JavaScript, a política de tratamento recomendada é aumentar a contribuição do número de repositórios do GitHub.

    Ganhos médios de políticas alternativas em vez de sempre aplicar o tratamento: plota o valor do recurso de destino em um gráfico de barras do ganho médio do seu resultado com a política de tratamento recomendada acima em vez de sempre aplicar o tratamento.

    Captura de tela do painel mostrando um gráfico de barras dos ganhos médios de políticas alternativas quando o tratamento na guia de política de tratamento é sempre aplicado.

    Política de tratamento individual recomendada:

    Captura de tela do painel que mostra uma tabela de política de tratamento individual recomendada na guia de política de tratamento.

  3. Mostrar K principais exemplos de ponto de dados ordenados por efeitos causais para o recurso de tratamento recomendado: seleciona o número de pontos de dados a serem mostrados na tabela.

  4. Tabela de política de tratamento individual recomendada: lista, em ordem decrescente de efeito causal, os pontos de dados cujos recursos de destino seriam mais aprimorados por uma intervenção.

Próximas etapas