Vertex Explainable AI 提供圖片資料的內建視覺化功能。 您可以設定 AutoML 圖片分類模型的視覺化效果。
要求圖片分類模型提供說明時，您會收到預測類別，以及顯示哪些像素 (積分梯度) 或區域 (積分梯度或 XRAI) 影響預測結果的重疊圖片。
下圖顯示哈士奇圖片的視覺化效果。左側的視覺化內容使用積分梯度法，並醒目顯示正向歸因的區域。右側的視覺化圖片使用 XRAI 方法，以顏色漸層表示在做出正面預測時，影響較小 (藍色) 和較大 (黃色) 的區域。
您處理的資料類型會影響您使用整合式梯度或 XRAI 方法來顯示說明。
- XRAI 較適合處理自然圖片，並提供更完善的洞察摘要，例如顯示正面關聯與狗臉形狀有關。
- 積分梯度 (IG) 傾向於提供像素層級的詳細資料，有助於發掘更精細的歸因。
如要進一步瞭解歸因方法，請參閱 Vertex Explainable AI 的總覽頁面。
開始使用
訓練支援 Vertex Explainable AI 的 AutoML 模型，並在部署模型時啟用說明，即可設定視覺化效果。
圖表選項
預設和建議設定取決於歸因方法 (積分梯度或 XRAI)。以下列出設定選項，並說明使用方式。如需完整選項清單，請參閱 Visualization 訊息的 API 參考資料。
type：使用的視覺化類型：OUTLINES或PIXELS。只有在使用積分梯度時，才能指定這個欄位；使用 XRAI 時則無法指定。如果是積分梯度，這個欄位預設為
OUTLINES，會顯示歸因區域。如要顯示每個像素的歸因，請將欄位設為PIXELS。polarity：醒目顯示出處的顯示方向。預設為positive，會醒目顯示正向歸因最高的區域。也就是說，標出對模型正面預測結果影響最大的像素。將極性設為negative，即可醒目顯示導致模型未預測正類的區域。使用負極性有助於找出偽陰性區域，進而偵錯模型。您也可以將極性設為both，顯示正向和負向歸因。clip_percent_upperbound：從醒目顯示的區域中排除高於指定百分位數的歸因。同時使用兩個範圍裁剪參數有助於過濾雜訊，還能更輕鬆地查看歸因較強的區塊。clip_percent_lowerbound：從醒目顯示的區域中排除低於指定百分位數的歸因。color_map：醒目顯示區域所採用的色彩配置。積分梯度預設使用pink_green：以綠色顯示正向歸因，而以粉紅色顯示負向歸因。如果是 XRAI 視覺化效果，顏色地圖會是漸層。XRAI 預設使用viridis色彩配置，以黃色醒目顯示最具影響力的區域，並以藍色標示影響力最低的區域。如需可能值的完整清單，請參閱
Visualization訊息的 API 參考資料。overlay_type：原始影像的視覺化呈現方式。 如果難以查看原始圖片的視覺化內容，調整覆疊圖層或許可以提高視覺清晰度。如需可能值的完整清單，請參閱
Visualization訊息的 API 參考資料。
設定範例
如要開始使用，請參閱下列 Visualization 設定範例，並參考圖片瞭解各種設定的套用效果。
積分梯度
如果是整合式梯度，如果歸因區域過於雜亂，您可能需要調整剪輯值。
visualization: {
"type": "OUTLINES",
"polarity": "positive",
"clip_percent_lowerbound": 70,
"clip_percent_upperbound": 99.9,
"color_map": "pink_green",
"overlay_type": "grayscale"
}
以下是使用 outlines 和 pixels 兩種型別的兩個視覺化項目。標示為「僅限高預測性」、「中等預測性」和「幾乎所有」的資料欄，是不同層級的裁剪範例，可協助您專注於視覺化效果。
XRAI
對於 XRAI 視覺化效果，建議您一開始不要設定 XRAI 的剪輯值，因為重疊部分會使用漸層顯示高和低歸因的區域。
visualization: {
"clip_percent_lowerbound": 0,
"clip_percent_upperbound": 100,
"color_map": "viridis",
"overlay_type": "grayscale"
}
下圖是 XRAI 視覺化效果，使用預設的 viridis 色彩對應和一系列疊加類型。黃色區域表示對預測結果有正面影響的區域。
