在本文中，我们将研究 GCP假设工具和 专注于工具的使用 更好地了解您的机器学习模型。在这里，我们将讨论如何在各种平台和模型类型上运行它。
假设分析工具是一个视觉界面，旨在帮助您了解数据集和机器学习模型的输出。您可以使用来自许多不同平台的最少代码运行，包括Jupyter Notebook，Kollab，TensorBoard和Cloud AI Platform Notebook。主要用于以下原因：
- 在许多平台上可用
- 支持假设分析
- 可视化模型性能
使用假设分析工具进行的分析在训练数据收集，模型创建和训练后评估中可能会有所帮助。假设工具开箱即用地支持TensorFlow模型，并且只需几行代码即可支持使用任何其他框架构建的模型。您还可以将假设分析工具与在Cloud AI Platform上部署的模型一起使用。
让我们从Kollab中的示例开始。在这里，我们已经从Kaggle的爱荷华州房屋数据集中训练了TensorFlow模型。这是一个二元分类模型，可以预测房屋的价值是高于还是低于$ 160,000。
我们可以通过几行代码实例化“假设分析工具”，方法是向其传递一组测试数据点以及这些示例的基本事实标签。假设工具具有三个功能不同的选项卡。
最初的视图是数据点编辑器。在这里，我们可以看到我们对已发送到假设工具的每个数据点的模型预测。蓝点表示我们的模型被分类为$ 160,000以上的房屋。在数据点编辑器中，我们还可以检查单个数据点，更改要素值，创建自定义可视化等等。
下一个标签Performance and Fairness展示了我们模型的几个常见评估指标。它还使我们可以按不同功能对数据进行切片，并应用各种策略来优化公平性。
最后一个选项卡Features ，向我们展示了数据集的平衡程度。对于每个功能，我们可以看到已发送到假设分析工具的数据的值范围。即使在训练模型之前，也可以仅使用数据集加载“功能”选项卡。
我们还可以将假设分析工具用于在Cloud AI Platform上部署的模型。这是我们已经在AI平台上部署的一些模型。
我们将在此处打开一个AI Platform Notebook实例来分析此XGBoost模型。
然后，我们使用设置的AI平台模型方法创建Wit Config Builder的实例，并传入我的Google Cloud项目ID，模型名称和模型版本。 Wit Config Builder包含更多的方法来针对您的用例定制“假设工具”。
请注意，您的两个模型是在相同的数据集上训练的。我们甚至可以使用假设分析工具进行比较。我们需要做的就是在Wit Config Builder中添加一行以告诉我们要比较的模型。现在，您可以使用假设分析工具中的各种功能来比较两个模型的性能。
假设工具可用于分类模型和回归模型。