Giskard - 机器学习模型测试框架推荐
共 4413字，需浏览 9分钟
·
2023-08-23 20:32
大家好，又见面了，我是 GitHub 精选君！
背景介绍
在机器学习领域，对于模型的测试是一项关键任务。由于机器学习模型依赖于数据，测试场景会受到特定领域问题的影响，往往是无限多的。那么从哪里开始测试？该实施哪些测试？应该覆盖哪些问题？如何实施这些测试？在Giskard项目中，我们相信机器学习需要自己的测试框架。Giskard 是一个专注于机器学习模型的开源测试框架，涵盖了从表格模型到语言模型（LLMs）的测试需求。
Giskard-AI/giskard 项目在 GitHub 有超过 1000 Star，用一句话介绍该项目就是：“The testing framework dedicated to ML models, from tabular to LLMs”。
项目介绍
Giskard致力于扫描AI模型以检测偏差、性能问题和错误的风险。它是一个适用于机器学习模型的测试框架，可以从表格模型到语言模型进行测试。Giskard的主要功能包括：
-
• 扫描模型以发现漏洞：Giskard的扫描功能可以自动检测性能偏差、数据泄漏、不稳定性、虚假相关性、过度自信、不足自信、伦理问题等漏洞。
-
• 自动生成特定领域的测试用例：根据扫描结果，Giskard可以自动生成相关的测试用例。你可以通过定义领域特定的数据切片器和转换器来定制测试用例，以适应你的使用场景。
-
• 借鉴开源社区的质量保证最佳实践：Giskard的目标是成为机器学习质量保证的开源中心，你可以轻松贡献和加载数据切片、转换函数以及AI基础检测器、生成器或评估器。受到Hugging Face哲学的启发，Giskard旨在成为机器学习质量保证的开源平台。
此外，Giskard可以与任何模型和环境配合使用，并与你喜欢的工具无缝集成。
如何使用
-
• 安装：可以通过以下命令安装Giskard：
pip install "giskard[server]>=2.0.0b" -U
giskard server start
-
• 扫描模型以检测漏洞：在封装好模型和数据集之后，你可以使用以下代码对模型进行漏洞扫描：
import giskard
# 替换这里的模型和数据集
df = giskard.demo.titanic_df()
data_preprocessor, clf = giskard.demo.titanic_pipeline()
# Wrap your Pandas DataFrame with Giskard.Dataset, containing examples such as:
# your test set, a golden dataset, etc.
# See https://docs.giskard.ai/en/latest/guides/wrap_dataset/index.html
giskard_dataset = giskard.Dataset(
df=df, # A pandas.DataFrame that contains the raw data (before all the pre-processing steps) and the actual ground truth variable (target).
target="Survived", # Ground truth variable
name="Titanic dataset", # Optional
cat_columns=['Pclass', 'Sex', "SibSp", "Parch", "Embarked"] # Optional, but is a MUST if available. Inferred automatically if not.
)
# Wrap your model with Giskard.Model:
# you can use any tabular, text or LLM models (PyTorch, HuggingFace, LangChain, etc.),
# for classification, regression & text generation.
# See https://docs.giskard.ai/en/latest/guides/wrap_model/index.html
def prediction_function(df):
# The pre-processor can be a pipeline of one-hot encoding, imputer, scaler, etc.
preprocessed_df = data_preprocessor(df)
return clf.predict_proba(preprocessed_df)
giskard_model = giskard.Model(
model=prediction_function, # A prediction function that encapsulates all the data pre-processing steps and that could be executed with the dataset used by the scan.
model_type="classification", # Either regression, classification or text_generation.
name="Titanic model", # Optional
classification_labels=clf.classes_, # Their order MUST be identical to the prediction_function's output order
feature_names=['PassengerId', 'Pclass', 'Name', 'Sex', 'Age', 'SibSp', 'Parch', 'Fare', 'Embarked'], # Default: all columns of your dataset
# classification_threshold=0.5, # Default: 0.5
)
# Then apply the scan
results = giskard.scan(giskard_model, giskard_dataset)
更多的安装和使用细节可以参考项目的文档。
以下是该项目 Star 趋势图（代表项目的活跃程度）：
更多项目详情请查看如下链接。
开源项目地址：https://github.com/Giskard-AI/giskard
开源项目作者：Giskard-AI
以下是参与项目建设的所有成员：
关注我们，一起探索有意思的开源项目。
点击如下卡片后台回复：加群，与技术极客们一起交流人工智能、开源项目，一起成长。
点击 在 看 支持一下吧