PreCall：用于机器学习模型选择中阈值优化的可视化界面
机器学习
2019-07-12 v1 人机交互
摘要
机器学习系统在各种数字应用中无处不在，并对我们的日常生活产生巨大影响。但此类系统缺乏可解释性与可理解性，阻碍了人们尤其是无技术背景者的有意义参与。交互式可视化界面（例如提供在用户界面中操控参数的手段）可帮助应对该挑战。在本文中，我们提出 PreCall，一个用于 ORES 的交互式可视化界面，ORES 是面向维基媒体项目（如维基百科）的基于机器学习的 Web 服务。尽管 ORES 可用于多种设置，但将应用域的需求转化为配置 ORES 模型所需的形式化参数集可能颇具挑战。例如，协助维基百科编辑发现破坏性编辑可在不同自动化阶段实现，这可能影响所应用模型的精度。我们的原型 PreCall 试图通过交互式可视化主要模型指标（召回率、精度、假正率）与参数（有价值编辑与破坏性编辑间阈值）之间的关系来弥合这一转化鸿沟。此外，PreCall 可视化当前模型配置的可能结果，以提升使用者在使用 ORES 时对指标与结果之间关系的理解。我们描述了 PreCall 的组件并给出一个凸显我们方法益处的用例。最后，我们提出希望在研讨会期间讨论的进一步研究问题。
引用
@article{arxiv.1907.05131,
title = {PreCall: A Visual Interface for Threshold Optimization in ML Model Selection},
author = {Christoph Kinkeldey and Claudia Müller-Birn and Tom Gülenman and Jesse Josua Benjamin and Aaron Halfaker},
journal= {arXiv preprint arXiv:1907.05131},
year = {2019}
}
备注
HCML Perspectives Workshop at CHI 2019, May 04, 2019, Glasgow