Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris. # Hasil Analisis Setelah tugas pemrosesan SageMaker Clarify selesai, Anda dapat mengunduh file keluaran untuk memeriksanya, atau Anda dapat memvisualisasikan hasilnya di SageMaker Studio Classic. Topik berikut menjelaskan hasil analisis yang dihasilkan SageMaker Clarify, seperti skema dan laporan yang dihasilkan oleh analisis bias, analisis SHAP, analisis penjelasan visi komputer, dan analisis plot ketergantungan paral (). PDPs Jika analisis konfigurasi berisi parameter untuk menghitung beberapa analisis, maka hasilnya dikumpulkan menjadi satu analisis dan satu file laporan. Direktori SageMaker Clarify processing job output berisi file-file berikut: + `analysis.json`— File yang berisi metrik bias dan kepentingan fitur dalam format JSON. + `report.ipynb`— Notebook statis yang berisi kode untuk membantu Anda memvisualisasikan metrik bias dan kepentingan fitur. + `explanations_shap/out.csv`— Direktori yang dibuat dan berisi file yang dibuat secara otomatis berdasarkan konfigurasi analisis spesifik Anda. Misalnya, jika Anda mengaktifkan `save_local_shap_values` parameter, maka nilai SHAP lokal per instance akan disimpan ke direktori. `explanations_shap` Sebagai contoh lain, jika Anda `analysis configuration` tidak berisi nilai untuk parameter baseline SHAP, pekerjaan Clarify SageMaker menjelaskan menghitung baseline dengan mengelompokkan kumpulan data input. Kemudian menyimpan baseline yang dihasilkan ke direktori. Untuk informasi lebih rinci, lihat bagian berikut. **Topics** + [Analisis bias](#clarify-processing-job-analysis-results-bias) + [Analisis SHAP](#clarify-processing-job-analysis-results-shap) + [Analisis eksplainabilitas visi komputer (CV)](#clarify-processing-job-analysis-results-cv) + [Analisis plot ketergantungan sebagian (PDPs)](#clarify-processing-job-analysis-results-pdp) + [Nilai Shapley asimetris](#clarify-processing-job-analysis-results-asymmshap) ## Analisis bias Amazon SageMaker Clarify menggunakan terminologi yang didokumentasikan [Amazon SageMaker Klarifikasi Persyaratan untuk Bias dan Keadilan](clarify-detect-data-bias.md#clarify-bias-and-fairness-terms) untuk membahas bias dan keadilan. ### Skema untuk file analisis File analisis dalam format JSON dan disusun menjadi dua bagian: metrik bias pra-pelatihan dan metrik bias pasca-pelatihan. Parameter untuk metrik bias pra-pelatihan dan pasca-pelatihan adalah sebagai berikut. + **pre\$1training\$1bias\$1metrics — Parameter untuk metrik bias** pra-pelatihan. Untuk informasi selengkapnya, lihat [Metrik Bias Pra-pelatihan](clarify-measure-data-bias.md) dan [File Konfigurasi Analisis](clarify-processing-job-configure-analysis.md). + **label** — Nama label kebenaran dasar yang ditentukan oleh `label` parameter konfigurasi analisis. + **label\$1value\$1or\$1threshold** — String yang berisi nilai label atau interval yang ditentukan oleh parameter konfigurasi analisis. `label_values_or_threshold` Misalnya, jika nilai `1` disediakan untuk masalah klasifikasi biner, maka string akan menjadi`1`. Jika beberapa nilai `[1,2]` disediakan untuk masalah multi-kelas, maka string akan`1,2`. Jika ambang batas `40` disediakan untuk masalah regresi, maka string akan menjadi internal seperti `(40, 68]` yang `68` merupakan nilai maksimum label dalam dataset input. + **faset** — Bagian ini berisi beberapa pasangan kunci-nilai, di mana kunci sesuai dengan nama facet yang ditentukan oleh `name_or_index` parameter konfigurasi facet, dan nilainya adalah array objek facet. Setiap objek facet memiliki anggota berikut: + **value\$1or\$1threshold** — String yang berisi nilai facet atau interval yang ditentukan oleh parameter konfigurasi facet. `value_or_threshold` + **metrik** - Bagian ini berisi array elemen metrik bias, dan setiap elemen metrik bias memiliki atribut berikut: + **nama** — Nama pendek dari metrik bias. Misalnya, `CI`. + **deskripsi** — Nama lengkap metrik bias. Misalnya, `Class Imbalance (CI)`. + **nilai — Nilai** metrik bias, atau nilai nol JSON jika metrik bias tidak dihitung karena alasan tertentu. Nilai ± ∞ direpresentasikan sebagai string `∞` dan `-∞` masing-masing. + **error** — Pesan kesalahan opsional yang menjelaskan mengapa metrik bias tidak dihitung. + **post\$1training\$1bias\$1metrics — Bagian ini berisi metrik** bias pasca-pelatihan dan mengikuti tata letak dan struktur yang mirip dengan bagian pra-pelatihan. Untuk informasi selengkapnya, lihat [Data Pasca-pelatihan dan Metrik Bias Model](clarify-measure-post-training-bias.md). Berikut ini adalah contoh konfigurasi analisis yang akan menghitung metrik bias pra-pelatihan dan pasca-pelatihan. ``` { "version": "1.0", "pre_training_bias_metrics": { "label": "Target", "label_value_or_threshold": "1", "facets": { "Gender": [{ "value_or_threshold": "0", "metrics": [ { "name": "CDDL", "description": "Conditional Demographic Disparity in Labels (CDDL)", "value": -0.06 }, { "name": "CI", "description": "Class Imbalance (CI)", "value": 0.6 }, ... ] }] } }, "post_training_bias_metrics": { "label": "Target", "label_value_or_threshold": "1", "facets": { "Gender": [{ "value_or_threshold": "0", "metrics": [ { "name": "AD", "description": "Accuracy Difference (AD)", "value": -0.13 }, { "name": "CDDPL", "description": "Conditional Demographic Disparity in Predicted Labels (CDDPL)", "value": 0.04 }, ... ] }] } } } ``` ### Laporan analisis bias Laporan analisis bias mencakup beberapa tabel dan diagram yang berisi penjelasan dan deskripsi terperinci. Ini termasuk, tetapi tidak terbatas pada, distribusi nilai label, distribusi nilai faset, diagram kinerja model tingkat tinggi, tabel metrik bias, dan deskripsinya. Untuk informasi selengkapnya tentang metrik bias dan cara menafsirkannya, lihat [Pelajari Cara Amazon SageMaker Memperjelas Membantu Mendeteksi](https://aws.amazon.com/blogs/machine-learning/learn-how-amazon-sagemaker-clarify-helps-detect-bias/) Bias. ## Analisis SHAP SageMaker Klarifikasi pekerjaan pemrosesan menggunakan algoritma Kernel SHAP untuk menghitung atribusi fitur. Pekerjaan pemrosesan SageMaker Clarify menghasilkan nilai SHAP lokal dan global. Ini membantu menentukan kontribusi setiap fitur terhadap prediksi model. Nilai SHAP lokal mewakili kepentingan fitur untuk setiap instance individu, sementara nilai SHAP global menggabungkan nilai SHAP lokal di semua instance dalam kumpulan data. Untuk informasi selengkapnya tentang nilai SHAP dan cara menafsirkannya, lihat. [Atribusi Fitur yang Menggunakan Nilai Shapley](clarify-shapley-values.md) ### Skema untuk file analisis SHAP Hasil analisis SHAP global disimpan di bagian penjelasan dari file analisis, di bawah metode ini`kernel_shap`. Parameter yang berbeda dari file analisis SHAP adalah sebagai berikut: + **penjelasan** — Bagian dari file analisis yang berisi fitur penting hasil analisis. + **kernal\$1shap** — Bagian dari file analisis yang berisi hasil analisis SHAP global. + **global\$1shap\$1values** — Bagian dari file analisis yang berisi beberapa pasangan kunci-nilai. Setiap kunci dalam pasangan kunci-nilai mewakili nama fitur dari dataset input. Setiap nilai dalam pasangan kunci-nilai sesuai dengan nilai SHAP global fitur. Nilai SHAP global diperoleh dengan menggabungkan nilai SHAP per instance fitur menggunakan konfigurasi. `agg_method` Jika `use_logit` konfigurasi diaktifkan, maka nilainya dihitung menggunakan koefisien regresi logistik, yang dapat diartikan sebagai rasio log-odds. + **expected\$1value** — Prediksi rata-rata dari dataset dasar. Jika `use_logit` konfigurasi diaktifkan, maka nilainya dihitung menggunakan koefisien regresi logistik. + **global\$1top\$1shap\$1text** - Digunakan untuk analisis penjelasan NLP. Bagian dari file analisis yang mencakup satu set pasangan kunci-nilai. SageMaker Klarifikasi pekerjaan pemrosesan agregat nilai SHAP dari setiap token dan kemudian pilih token teratas berdasarkan nilai SHAP globalnya. `max_top_tokens`Konfigurasi mendefinisikan jumlah token yang akan dipilih. Masing-masing token teratas yang dipilih memiliki pasangan nilai kunci. Kunci dalam pasangan kunci-nilai sesuai dengan nama fitur teks token teratas. Setiap nilai dalam pasangan kunci-nilai adalah nilai SHAP global dari token teratas. Untuk contoh pasangan `global_top_shap_text` kunci-nilai, lihat output berikut. Contoh berikut menunjukkan output dari analisis SHAP dari dataset tabular. ``` { "version": "1.0", "explanations": { "kernel_shap": { "Target": { "global_shap_values": { "Age": 0.022486410860333206, "Gender": 0.007381025261958729, "Income": 0.006843906804137847, "Occupation": 0.006843906804137847, ... }, "expected_value": 0.508233428001 } } } } ``` Contoh berikut menunjukkan output dari analisis SHAP dari dataset teks. Output yang sesuai dengan kolom `Comments` adalah contoh output yang dihasilkan setelah analisis fitur teks. ``` { "version": "1.0", "explanations": { "kernel_shap": { "Target": { "global_shap_values": { "Rating": 0.022486410860333206, "Comments": 0.058612104851485144, ... }, "expected_value": 0.46700941970297033, "global_top_shap_text": { "charming": 0.04127962903247833, "brilliant": 0.02450240786522321, "enjoyable": 0.024093569652715457, ... } } } } } ``` ### Skema untuk file baseline yang dihasilkan Ketika konfigurasi dasar SHAP tidak disediakan, pekerjaan pemrosesan SageMaker Clarify menghasilkan kumpulan data dasar. SageMaker Clarify menggunakan algoritma pengelompokan berbasis jarak untuk menghasilkan dataset dasar dari cluster yang dibuat dari dataset input. Dataset dasar yang dihasilkan disimpan dalam file CSV, yang terletak di. `explanations_shap/baseline.csv` File output ini berisi baris header dan beberapa contoh berdasarkan `num_clusters` parameter yang ditentukan dalam konfigurasi analisis. Dataset dasar hanya terdiri dari kolom fitur. Contoh berikut menunjukkan garis dasar yang dibuat dengan mengelompokkan dataset input. ``` Age,Gender,Income,Occupation 35,0,2883,1 40,1,6178,2 42,0,4621,0 ``` ### Skema untuk nilai SHAP lokal dari analisis keterjelasan kumpulan data tabular Untuk kumpulan data tabular, jika satu instance komputasi digunakan, tugas pemrosesan SageMaker Clarify menyimpan nilai SHAP lokal ke file CSV bernama. `explanations_shap/out.csv` Jika Anda menggunakan beberapa instance komputasi, nilai SHAP lokal disimpan ke beberapa file CSV di direktori. `explanations_shap` File keluaran yang berisi nilai SHAP lokal memiliki baris yang berisi nilai SHAP lokal untuk setiap kolom yang ditentukan oleh header. Header mengikuti konvensi penamaan `Feature_Label` di mana nama fitur ditambahkan oleh garis bawah, diikuti dengan nama variabel target Anda. Untuk masalah multi-kelas, nama fitur di header bervariasi terlebih dahulu, lalu label. Misalnya, dua fitur`F1, F2`, dan dua kelas `L1` dan`L2`, di header adalah`F1_L1`,, `F2_L1``F1_L2`, dan`F2_L2`. Jika konfigurasi analisis berisi nilai untuk `joinsource_name_or_index` parameter, maka kolom kunci yang digunakan dalam gabungan ditambahkan ke akhir nama header. Hal ini memungkinkan pemetaan nilai SHAP lokal ke instance dataset input. Contoh file output yang berisi nilai SHAP berikut. ``` Age_Target,Gender_Target,Income_Target,Occupation_Target 0.003937908,0.001388849,0.00242389,0.00274234 -0.0052784,0.017144491,0.004480645,-0.017144491 ... ``` ### Skema untuk nilai SHAP lokal dari analisis penjelasan NLP Untuk analisis penjelasan NLP, jika satu instance komputasi digunakan, tugas pemrosesan SageMaker Clarify menyimpan nilai SHAP lokal ke file JSON Lines bernama. `explanations_shap/out.jsonl` Jika Anda menggunakan beberapa instance komputasi, nilai SHAP lokal disimpan ke beberapa file JSON Lines di direktori. `explanations_shap` Setiap file yang berisi nilai SHAP lokal memiliki beberapa baris data, dan setiap baris adalah objek JSON yang valid. Objek JSON memiliki atribut berikut: + **penjelasan** — Bagian dari file analisis yang berisi array penjelasan Kernel SHAP untuk satu contoh. Setiap elemen dalam array memiliki anggota berikut: + **feature\$1name — Nama** header dari fitur yang disediakan oleh konfigurasi header. + **data\$1type - Jenis** fitur yang disimpulkan oleh pekerjaan pemrosesan Clarify. SageMaker Nilai yang valid untuk fitur teks termasuk`numerical`,`categorical`, dan `free_text` (untuk fitur teks). + **atribusi** — Array objek atribusi khusus fitur. Fitur teks dapat memiliki beberapa objek atribusi, masing-masing untuk unit yang ditentukan oleh `granularity` konfigurasi. Objek atribusi memiliki anggota berikut: + **atribusi** — Array nilai probabilitas khusus kelas. + **deskripsi** — (Untuk fitur teks) Deskripsi unit teks. + **partial\$1text** — Bagian teks yang dijelaskan oleh pekerjaan pemrosesan SageMaker Clarify. + **start\$1idx** — Indeks berbasis nol untuk mengidentifikasi lokasi array yang menunjukkan awal fragmen teks paral. Berikut ini adalah contoh dari satu baris dari file nilai SHAP lokal, dipercantik untuk meningkatkan keterbacaannya. ``` { "explanations": [ { "feature_name": "Rating", "data_type": "categorical", "attributions": [ { "attribution": [0.00342270632248735] } ] }, { "feature_name": "Comments", "data_type": "free_text", "attributions": [ { "attribution": [0.005260534499999983], "description": { "partial_text": "It's", "start_idx": 0 } }, { "attribution": [0.00424190349999996], "description": { "partial_text": "a", "start_idx": 5 } }, { "attribution": [0.010247314500000014], "description": { "partial_text": "good", "start_idx": 6 } }, { "attribution": [0.006148907500000005], "description": { "partial_text": "product", "start_idx": 10 } } ] } ] } ``` ### Laporan analisis SHAP Laporan analisis SHAP menyediakan bagan batang maksimum nilai SHAP global `10` teratas. Contoh bagan berikut menunjukkan nilai SHAP untuk `4` fitur teratas. ![\[Bagan batang horizontal dari nilai SHAP global dihitung untuk variabel target dari empat fitur teratas.\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/clarify/shap-chart.png) ## Analisis eksplainabilitas visi komputer (CV) SageMaker Clarify Computer Vision Explainability mengambil kumpulan data yang terdiri dari gambar dan memperlakukan setiap gambar sebagai kumpulan piksel super. Setelah analisis, pekerjaan pemrosesan SageMaker Clarify mengeluarkan kumpulan data gambar di mana setiap gambar menunjukkan peta panas piksel super. Contoh berikut menunjukkan tanda batas kecepatan input di sebelah kiri dan peta panas menunjukkan besarnya nilai SHAP di sebelah kanan. [Nilai SHAP ini dihitung dengan model pengenalan gambar Resnet-18 yang dilatih untuk mengenali rambu lalu lintas Jerman.](https://benchmark.ini.rub.de/gtsrb_news.html) Dataset German Traffic Sign Recognition Benchmark (GTSRB) disediakan dalam paper [Man vs. Computer: Algoritma pembelajaran mesin benchmarking](https://www.sciencedirect.com/science/article/abs/pii/S0893608012000457?via%3Dihub) untuk pengenalan rambu lalu lintas. Dalam contoh output, nilai positif yang besar menunjukkan bahwa piksel super memiliki korelasi positif yang kuat dengan prediksi model. Nilai negatif yang besar menunjukkan bahwa piksel super memiliki korelasi negatif yang kuat dengan prediksi model. Semakin besar nilai absolut dari nilai SHAP yang ditunjukkan dalam peta panas, semakin kuat hubungan antara piksel super dan prediksi model. ![\[Input gambar tanda batas kecepatan dan peta panas yang dihasilkan dari nilai SHAP dari model Resnet-18.\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/clarify/shap_speed-limit-70.png) Untuk informasi selengkapnya, lihat contoh buku catatan [Menjelaskan Klasifikasi Gambar dengan SageMaker Memperjelas dan Menjelaskan](https://github.com/aws/amazon-sagemaker-examples/blob/master/sagemaker-clarify/computer_vision/image_classification/explainability_image_classification.ipynb) [model deteksi objek dengan Amazon](https://github.com/aws/amazon-sagemaker-examples/blob/master/sagemaker-clarify/computer_vision/object_detection/object_detection_clarify.ipynb) Clarify. SageMaker ## Analisis plot ketergantungan sebagian (PDPs) Plot ketergantungan sebagian menunjukkan ketergantungan respons target yang diprediksi pada serangkaian fitur input yang menarik. Ini dipinggirkan atas nilai-nilai semua fitur input lainnya dan disebut sebagai fitur pelengkap. Secara intuitif, Anda dapat menafsirkan ketergantungan sebagian sebagai respons target, yang diharapkan sebagai fungsi dari setiap fitur input yang menarik. ### Skema untuk file analisis Nilai PDP disimpan di `explanations` bagian file analisis di bawah `pdp` metode. Parameter untuk `explanations` adalah sebagai berikut: + **penjelasan** — Bagian dari file analisis yang berisi fitur penting hasil analisis. + **PDP** — Bagian dari file analisis yang berisi array penjelasan PDP untuk satu contoh. Setiap elemen array memiliki anggota berikut: + **feature\$1name — Nama** header dari fitur yang disediakan oleh konfigurasi. `headers` + **data\$1type - Jenis** fitur yang disimpulkan oleh pekerjaan pemrosesan Clarify. SageMaker Nilai yang valid untuk `data_type` termasuk numerik dan kategoris. + **feature\$1values** - Berisi nilai-nilai yang ada dalam fitur. Jika yang `data_type` disimpulkan oleh SageMaker Clarify bersifat kategoris, `feature_values` berisi semua nilai unik yang dapat dimiliki fitur tersebut. Jika `data_type` disimpulkan oleh SageMaker Clarify adalah numerik, `feature_values` berisi daftar nilai pusat dari bucket yang dihasilkan. `grid_resolution`Parameter menentukan jumlah ember yang digunakan untuk mengelompokkan nilai kolom fitur. + **data\$1distribution** — Sebuah array persentase, di mana setiap nilai adalah persentase instance yang berisi bucket. `grid_resolution`Parameter menentukan jumlah ember. Nilai kolom fitur dikelompokkan ke dalam ember ini. + **model\$1predictions** — Sebuah array prediksi model, di mana setiap elemen dari array adalah array prediksi yang sesuai dengan satu kelas dalam output model. **label\$1headers** — Header label yang disediakan oleh konfigurasi. `label_headers` + **kesalahan** — Pesan kesalahan yang dihasilkan jika nilai PDP tidak dihitung karena alasan tertentu. Pesan galat ini menggantikan konten yang terkandung dalam`feature_values`,`data_distributions`, dan `model_predictions` bidang. Berikut ini adalah contoh output dari file analisis yang berisi hasil analisis PDP. ``` { "version": "1.0", "explanations": { "pdp": [ { "feature_name": "Income", "data_type": "numerical", "feature_values": [1046.9, 2454.7, 3862.5, 5270.2, 6678.0, 8085.9, 9493.6, 10901.5, 12309.3, 13717.1], "data_distribution": [0.32, 0.27, 0.17, 0.1, 0.045, 0.05, 0.01, 0.015, 0.01, 0.01], "model_predictions": [[0.69, 0.82, 0.82, 0.77, 0.77, 0.46, 0.46, 0.45, 0.41, 0.41]], "label_headers": ["Target"] }, ... ] } } ``` ### Laporan analisis PDP Anda dapat membuat laporan analisis yang berisi bagan PDP untuk setiap fitur. Bagan PDP memplot `feature_values` sepanjang sumbu x, dan plot `model_predictions` sepanjang sumbu y. Untuk model multi-kelas, `model_predictions` adalah array, dan setiap elemen dari array ini sesuai dengan salah satu kelas prediksi model. Berikut ini adalah contoh bagan PDP untuk fitur `Age` tersebut. Dalam contoh output, PDP menunjukkan jumlah nilai fitur yang dikelompokkan ke dalam ember. Jumlah ember ditentukan oleh`grid_resolution`. Ember nilai fitur diplot terhadap prediksi model. Dalam contoh ini, nilai fitur yang lebih tinggi memiliki nilai prediksi model yang sama. ![\[Bagan garis yang menunjukkan bagaimana prediksi model bervariasi terhadap feature_values titik kisi 10 unik.\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/clarify/pdp-chart.png) ## Nilai Shapley asimetris SageMaker Klarifikasi pekerjaan pemrosesan menggunakan algoritme nilai Shapley asimetris untuk menghitung atribusi penjelasan model peramalan deret waktu. Algoritma ini menentukan kontribusi fitur input pada setiap langkah waktu menuju prediksi yang diperkirakan. ### Skema untuk file analisis nilai Shapley asimetris Hasil nilai Shapley asimetris disimpan dalam bucket Amazon S3. Anda dapat menemukan lokasi bucket ini di bagian *penjelasan* file analisis. Bagian ini berisi fitur penting hasil analisis. Parameter berikut termasuk dalam file analisis nilai Shapley asimetris. + **asymmetric\$1shapley\$1value** — Bagian dari file analisis yang berisi metadata tentang penjelasan hasil pekerjaan, termasuk yang berikut: + **explanation\$1results\$1path — Lokasi** Amazon S3 dengan hasil penjelasan + **arah** - Konfigurasi yang disediakan pengguna untuk nilai konfigurasi `direction` + **granularitas** — Konfigurasi yang disediakan pengguna untuk nilai konfigurasi `granularity` Cuplikan berikut menunjukkan parameter yang disebutkan sebelumnya dalam file analisis contoh: ``` { "version": "1.0", "explanations": { "asymmetric_shapley_value": { "explanation_results_path": EXPLANATION_RESULTS_S3_URI, "direction": "chronological", "granularity": "timewise", } } } ``` Bagian berikut menjelaskan bagaimana struktur hasil penjelasan tergantung pada nilai `granularity` dalam konfigurasi. #### Granularitas mengikut waktu Ketika `timewise` granularitas adalah output diwakili dalam struktur berikut. `scores`Nilai mewakili atribusi untuk setiap stempel waktu. `offset`Nilai mewakili prediksi model pada data dasar dan menggambarkan perilaku model ketika tidak menerima data. Cuplikan berikut menunjukkan contoh output untuk model yang membuat prediksi untuk dua langkah waktu. Oleh karena itu, semua atribusi adalah daftar dua elemen di mana entri pertama mengacu pada langkah waktu yang diprediksi pertama. ``` { "item_id": "item1", "offset": [1.0, 1.2], "explanations": [ {"timestamp": "2019-09-11 00:00:00", "scores": [0.11, 0.1]}, {"timestamp": "2019-09-12 00:00:00", "scores": [0.34, 0.2]}, {"timestamp": "2019-09-13 00:00:00", "scores": [0.45, 0.3]}, ] } { "item_id": "item2", "offset": [1.0, 1.2], "explanations": [ {"timestamp": "2019-09-11 00:00:00", "scores": [0.51, 0.35]}, {"timestamp": "2019-09-12 00:00:00", "scores": [0.14, 0.22]}, {"timestamp": "2019-09-13 00:00:00", "scores": [0.46, 0.31]}, ] } ``` #### Granularitas berbutir halus Contoh berikut menunjukkan hasil atribusi ketika granularitas. `fine_grained` `offset`Nilai memiliki arti yang sama seperti yang dijelaskan di bagian sebelumnya. Atribusi dihitung untuk setiap fitur input pada setiap stempel waktu untuk deret waktu target dan deret waktu terkait, jika tersedia, dan untuk setiap kovariat statis, jika tersedia. ``` { "item_id": "item1", "offset": [1.0, 1.2], "explanations": [ {"feature_name": "tts_feature_name_1", "timestamp": "2019-09-11 00:00:00", "scores": [0.11, 0.11]}, {"feature_name": "tts_feature_name_1", "timestamp": "2019-09-12 00:00:00", "scores": [0.34, 0.43]}, {"feature_name": "tts_feature_name_2", "timestamp": "2019-09-11 00:00:00", "scores": [0.15, 0.51]}, {"feature_name": "tts_feature_name_2", "timestamp": "2019-09-12 00:00:00", "scores": [0.81, 0.18]}, {"feature_name": "rts_feature_name_1", "timestamp": "2019-09-11 00:00:00", "scores": [0.01, 0.10]}, {"feature_name": "rts_feature_name_1", "timestamp": "2019-09-12 00:00:00", "scores": [0.14, 0.41]}, {"feature_name": "rts_feature_name_1", "timestamp": "2019-09-13 00:00:00", "scores": [0.95, 0.59]}, {"feature_name": "rts_feature_name_1", "timestamp": "2019-09-14 00:00:00", "scores": [0.95, 0.59]}, {"feature_name": "rts_feature_name_2", "timestamp": "2019-09-11 00:00:00", "scores": [0.65, 0.56]}, {"feature_name": "rts_feature_name_2", "timestamp": "2019-09-12 00:00:00", "scores": [0.43, 0.34]}, {"feature_name": "rts_feature_name_2", "timestamp": "2019-09-13 00:00:00", "scores": [0.16, 0.61]}, {"feature_name": "rts_feature_name_2", "timestamp": "2019-09-14 00:00:00", "scores": [0.95, 0.59]}, {"feature_name": "static_covariate_1", "scores": [0.6, 0.1]}, {"feature_name": "static_covariate_2", "scores": [0.1, 0.3]}, ] } ``` Untuk keduanya `timewise` dan kasus `fine-grained` penggunaan, hasilnya disimpan dalam format JSON Lines (.jsonl).