5. Inspektion#
Die prädiktive Leistung ist oft das Hauptziel bei der Entwicklung von Machine-Learning-Modellen. Dennoch ist die Zusammenfassung der Leistung anhand einer Bewertungsmetrik oft nicht ausreichend: Sie geht davon aus, dass die Bewertungsmetrik und der Testdatensatz die Zieldomäne perfekt widerspiegeln, was selten der Fall ist. In bestimmten Domänen benötigt ein Modell ein bestimmtes Maß an Interpretierbarkeit, bevor es eingesetzt werden kann. Ein Modell, das Leistungsprobleme aufweist, muss debuggt werden, um das zugrunde liegende Problem des Modells zu verstehen. Das Modul sklearn.inspection bietet Werkzeuge, um die Vorhersagen eines Modells und deren Einflussfaktoren zu verstehen. Dies kann verwendet werden, um Annahmen und Verzerrungen eines Modells zu bewerten, ein besseres Modell zu entwerfen oder Probleme mit der Modellleistung zu diagnostizieren.
Beispiele