Melhorar as explicações sobre a classificação de imagens do AutoML

Ao trabalhar com modelos de imagem do AutoML, é possível configurar parâmetros específicos para melhorar as suas explicações.

Os métodos de atribuição de recursos da Vertex Explainable AI são baseados em variantes de valores de Shapley. Como os valores de Shapley são computacionalmente caros, a Vertex Explainable AI fornece aproximações em vez dos valores exatos.

É possível reduzir o erro de aproximação e se aproximar dos valores exatos alterando as seguintes entradas:

• aumentando o número de etapas integrais ou o número de caminhos;

Como aumentar etapas

Para reduzir o erro de aproximação, aumente:

• o Número de etapas integrais na IU

A seguir

• Conheça as Limitações da Vertex Explainable AI.