跳至主要内容
目录

斯坦福 CS448B 17 可视化与机器学习

· 阅读时间约 6 分钟

TLDR

本文包含我对斯坦福 CS448B（数据可视化）课程的笔记，特别关注第十七讲关于可视化与机器学习的内容。我将讨论理解数据、模型训练、模型评估的重要性，以及适用于机器学习任务的不同类型可视化。

原文​

下载 PDF.

笔记​

可视化在哪些方面可以支持机器学习任务？

理解数据模型训练模型评估
数据质量如何？模型的结构是什么？模型输出有多准确？
数据是否具有代表性？如何优化模型？如何解释模型输出？
数据集中有哪些可用特征？这是否是对学习任务建模的最佳技术？模型是否公平？
测试集是否能代表整个数据集？模型参数变化时模型输出如何变化？
数据标注是否正确？为什么模型会有这样的行为？

用于理解机器学习数据集的可视化​

  • 建模前理解数据特征
  • 为建模选择特征
  • 基于模型输出调试数据

https://pair-code.github.io/facets/

http://archive.ics.uci.edu/ml/datasets/Census+Income

• 1994 年人口普查数据集 • 约 5 万行 • 14 个属性（分类和整数）

预测任务是确定一个人年收入是否超过 5 万美元。

https://qz.com/994486/the-way-you-draw-circles-says-a-lot-about-you

https://medium.com/analytics-vidhya/analyzing-sketches-around-the-world-with-sketch-rnn-c6cbe9b5ac80

INFUSE（交互式特征选择）

领域任务：预测患者是否有患糖尿病的风险。

  • 机器学习任务 1：比较特征选择算法。（4 种算法）
  • 机器学习任务 2：比较分类算法。（4 种分类器）
  • 机器学习任务 3：手动选择和测试特征集

这种可视化的表达力/有效性如何？

  • 服装图像数据集
  • 37,000 个实例
  • 14 个类别

机器学习任务：基于图像对服装物品进行分类

降维

https://github.com/uwdata/errudite

通过以下方式进行错误分析：

  1. 错误实例的表达性分组
  2. 反事实评估

这种方法与传统的 GUI 输入元素相比如何？

用于建模的可视化​

RuleMatrix

领域问题：

  • 模型学到了哪些知识？
  • 模型对每条知识的确定性如何？
  • 模型使用哪些知识进行预测？
  • 何时何地模型可能会失效？

SMILY（类似您的医学图像）

领域任务：
病理学家需要从过去的患者中检索视觉上相似的医学图像 （例如活检组织）作为参考，以便对新患者做出医疗决策。

控制哪些类型的相似性很重要

用于模型评估的可视化​

混淆轮

我们还可以用什么其他方式可视化这些数据？

What-If 工具

FairSight

https://research.google.com/bigpicture/attacking-discrimination-in-ml/

可视化机器学习数据有什么不同/独特之处？

机器学习可视化的一些指导原则​

  1. 可视化应与用户专业知识相符
    • 模型开发人员和构建者
    • 模型用户
    • 领域专家
    • 非专家
    • 学习者/学生
  2. 为任务提供有效的数据表示
    • 调试和改进模型
    • 比较和选择模型
    • 可解释性和可解释性
    • 教授机器学习概念
  3. 支持理解模型不确定性
    在大多数实际应用中，不确定性是数据驱动模型不可避免的特征。
  4. 利用交互性并促进丰富的交互
    • 编辑数据点
    • 评估假设
    • 构建解释
  5. 支持表达性输入
    • 直接操作
    • 通过示例查询

其他资源​