Uber开源Manifold，用于调试AI模子的可视器材

为了减轻事变量，Uber在内部开拓了Manifold，这是一种与模子无关的视觉器材，它可以表现特性漫衍的差别（即所调查到的征象的可丈量属性）。它已辅佐各类产物团队说明白无数的AI模子。截至到本日，它已在GitHub上以开源情势提供。

Uber呆板进修软件工程师李乐之在博客中写道：“自从本年早些时辰建设Manifold以来，我们已经收到了许多关于其在通用ML模子调试场景中潜力的反馈。在开源独立版本的Manifold时，我们信托该器材将通过为ML事变流提供可表明性和可调试性，同样使ML社区受益。”

Manifold操作所谓的聚类算法（k-Means）将猜测数据按照其机能相似性分成多个段。该算法通过其KL散度对特性举办排名，KL散度是两个比拟漫衍之间差此外怀抱。一样平常而言，在歧管中，较高的发散度暗示给定的特性与区分两个片断组的因子相干。

Manifold包罗对多种算法范例的支持，包罗通例的二进制分类和回归模子。在可视化方面，它可以提取数字和分类以及地理空间要素范例。它与Jupyter Notebook集成在一路，Jupyter Notebook是为数据科学家和ML工程师行使最普及的数据科学平台之一，而且具有交互式数据切片和基于每个实例的猜测丧失和其他特性值的机能较量。

Manifold利便的机能较量视图可较量模子和数据子集的猜测机能。成果归因视图通过用户界说的细分汇总了具有各类机能级此外数据子集的成果漫衍。两者都提供了模子机能的概述和地理空间特性的舆图视图，有助于辨认示意不佳的数据子集以举办进一步搜查。

歧管包装为独立安装或打包安装。安装后，有两种向个中输入数据的方法：通过逗号脱离的文件或以编程方法举办的转换。

版本1刊行版中的成果包罗：

• 与模子无关的通用二进制分类和回归模子调试支持。用户将可以或许说明和较量各类算法范例的模子，从而使他们可以或许区分各类数据片的机能差别。
• 对表格化要素输入的可视化支持，包罗数字，分类和地理空间要素范例。行使每个数据切片的特性值漫衍信息，用户可以更好地相识某些机能题目的隐藏缘故起因，譬喻，模子的猜测丧失与其数据点的地理位置和漫衍之间是否存在任何干联。