谷歌PAIR新進展：Facets開源，有助於機器學習數據分析

新聞 07-20

近日，谷歌推出了一項名為「PAIR」(People + AI Research)的AI項目，旨在讓AI系統的內部工作機制變得更加透明，促進智能機器與人類緊密合作。通過PAIR項目，谷歌發布了Facets——這是一款開源可視化工具，可以幫助用戶理解並分析各類機器學習數據集。

Facets有兩種可視化方式，能夠讓用戶在不同尺度下查看圖像所有數據特徵，比如使用「Facets Overview」功能可以了解數據的各個特徵形狀，而使用「Facets Dive」功能可以單獨分析一組數據。

GIF/1.9M

眾所周知，要想從機器學習（ML）模型中獲取最佳結果，對數據細緻了解必不可少。然而，ML數據集可以包含數億個數據點，每個數據點由數百（甚至數千）的特徵組成，幾乎不可能以直觀的方式了解整個數據集。藉助可視化，我們可以洞悉大數據集中的細微之處。一張圖片或許可以傳達一千字的信息，但藉助互動式可視化工具我們可以獲取更多的信息。

新的可視化方式為我們提供調試數據的功能，而這在機器學習過程中，這與模型調試一樣至關重要。該功能可以嵌入到網頁中使用。除了提供開源代碼外，谷歌公司還創建了一個Facets演示網站（https://pair-code.github.io/facets/），該網站允許所有人直接在瀏覽器中可視化自己的數據集，無需安裝其它軟體或進行附加設置；並且，使用者可以放心數據不會從電腦泄露出去。

以下是這兩種功能的具體信息：

Facets Overview功能

Facets Overview可以讓用戶快速了解其數據集特徵值的分布情況，而且，在分析訓練集和測試集時，可以同時進行多個數據集可視化。更可貴的是，它能發現機器學習過程中可能出現的問題，例如：非預期特徵值、高百分比缺失的特徵值、不平衡分布的特徵以及數據集之間特徵分布偏差。

圖丨如上圖所示，Facets Overview進行了UCI人口普查數據集的六個數據特徵可視化。它按照不均勻性排布，頂部是分布最不均勻的特徵，紅色數字表示可能的故障點，在這個例子中，有高百分比值的數字特徵設置為零。右側的直方圖可以比較訓練數據（藍色）和測試數據（橙色）之間分布的不同。

圖丨上圖所示，Facets Overview可視化方式展示了UCI人口普查數據集的九個分類特徵中的兩個，其特徵按照分布距離排序，圖表上部分給出了訓練數據（藍色）和測試數據（橙色）之間具有的最大偏差。在「Target」一欄我們可以注意到，訓練數據集和測試數據集的標準值有所不同，這在數據特徵表格和頂部列表的條目中都有所體現。這一差錯將導致數據集進行訓練和測試的模型失效。

Facets Dive功能

Facets Dive功能則提供了一個易於定製的直觀界面，可用於探索不同數據集的特徵對應的數據點關係。使用Facets Dive可以根據特徵值來控制每個數據點位置、顏色和視覺顯示。如果數據點具有與其相關聯的圖像，該圖像即可用作視覺顯示。