本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 使用 SageMaker AI Autopilot 實現 SageMaker Clarify 可解釋性
<a name="autopilot-explainability"></a>

Autopilot 使用 Amazon SageMaker Clarify 提供的工具，協助您深入瞭解機器學習 (ML) 模型如何進行預測。這些工具可協助機器學習 (ML) 工程師、產品經理和其他內部利害關係人瞭解模型特徵。若要信任和解譯對模型預測做出的決策，消費者和監管機構都依賴機器學習的透明度。

Autopilot 說明功能性使用與模型無關的特徵歸因方法。此方法決定個別特徵或輸入對模型輸出的貢獻，從而提供不同特徵相關性的深入分析。您可以使用它來理解為什麼模型在訓練後進行預測，或者在推論期間使用它來提供每個執行個體的說明。實作包含可擴展的 [SHAP](https://papers.nips.cc/paper/2017/file/8a20a8621978632d76c43dfd28b67767-Paper.pdf) (Shapley Additive Explanations) 實作。此實作是基於來自合作博弈論的 Shapley 值概念，該理論為每個特徵指派一個重要性值進行特定預測。

您可以將 SHAP 解釋用於下列動作：稽核和符合法規需求、建置對模型中的信任、支援人為決策，或偵錯並改善模型效能。

如需 Shapley 值和基準的其他相關資訊，請參閱 [SHAP 可解釋性基準](https://docs.aws.amazon.com/sagemaker/latest/dg/clarify-feature-attribute-shap-baselines.html)。

如需 Amazon SageMaker Clarify 文件的[指南，請參閱 SageMaker Clarify 文件指南](https://docs.aws.amazon.com/sagemaker/latest/dg/clarify-fairness-and-explainability.html#clarify-fairness-and-explainability-toc)。