As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

# Relatório de explicabilidade
<a name="text-classification-explainability-report"></a>

O Amazon SageMaker Autopilot fornece um relatório de explicabilidade para ajudar a explicar como o melhor candidato a modelo faz previsões para problemas de classificação de texto. Esse relatório pode ajudar engenheiros de ML, gerentes de produto e outras partes interessadas internas a entender as características do modelo. Tanto os consumidores quanto os reguladores confiam na transparência de machine learning para confiar e interpretar as decisões tomadas com base nas predições de modelo. Você pode usar essas explicações para auditar e atender aos requisitos regulatórios, estabelecer confiança no modelo, apoiar a tomada de decisões humanas e depurar e melhorar o desempenho do modelo.

*A funcionalidade explicativa do Autopilot para classificação de texto usa o método de atribuição axiomática Integrated Gradients.* Essa abordagem se baseia em uma implementação de [Atribuição Axiomática para Rede Profunda](https://arxiv.org/pdf/1703.01365.pdf).

O Autopilot gera o relatório de explicabilidade como um arquivo JSON. O relatório inclui detalhes da análise com base no conjunto de dados de validação. Cada amostra usada para gerar o relatório contém as seguintes informações:
+ `text`: O conteúdo do texto de entrada explicado.
+ `token_scores`: A lista de pontuações para cada token no texto.
+ 
  + `attribution`: A pontuação que mostra a importância do token.
  + `description.partial_text`: a substring parcial que representa o token.
+ `predicted_label`: A classe de rótulo prevista pelo melhor candidato a modelo.
+ `probability`: A confiança com que o `predicted_label` foi previsto.

Você pode encontrar o prefixo Amazon S3 para os artefatos de explicabilidade gerados para o melhor candidato na resposta a `[DescribeAutoMLJobV2](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeAutoMLJobV2.html)` em `[BestCandidate.CandidateProperties.CandidateArtifactLocations.Explainability](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CandidateArtifactLocations.html#sagemaker-Type-CandidateArtifactLocations-Explainability)`.

Veja a seguir um exemplo de conteúdo de análise que você pode encontrar nos artefatos de explicabilidade.

```
{
    "text": "It was a fantastic movie!",
    "predicted_label": 2,
    "probability": 0.9984835,
    "token_scores": [
        {
            "attribution": 0,
            "description": {
                "partial_text": "It"
            }
        },
        {
            "attribution": -0.022447118861679088,
            "description": {
                "partial_text": "was"
            }
        },
        {
            "attribution": -0.2164326456817965,
            "description": {
                "partial_text": "a"
            }
        },
        {
            "attribution": 0.675,
            "description": {
                "partial_text": "fantastic"
            }
        },
        {
            "attribution": 0.416,
            "description": {
                "partial_text": "movie!"
            }
        }
    ]
}
```

Neste exemplo do relatório JSON, a funcionalidade explicativa avalia o texto `It was a fantastic movie!` e pontua a contribuição de cada um de seus tokens para o rótulo geral previsto. O rótulo previsto é `2`, que é um forte sentimento positivo, com uma probabilidade de 99,85%. Em seguida, a amostra JSON detalha a contribuição de cada token individual para essa predição. Por exemplo, o token `fantastic` tem uma atribuição mais forte do que o token `was`. É o token que mais contribuiu para a predição final.