---
sourceDocument: Yokohama habilitar IA
sourceDocumentLink: https://servicenow-prod.fluidtopics.net/r/pt-BR/yokohama/intelligent-experiences

 Release :

    - yokohama

ft:locale :

    - pt-BR

ft:publication_title :

    - Yokohama habilitar IA

ft:clusterId :

    - platai

bundleId :

    - platai

workflow :

    - Platform


---

# Explicabilidade do modelo

# Explicabilidade do modelo {#ariaid-title1}

* Versão de lançamento: Yokohama
* 
* Atualizado 30 de jan. de 2025
* 
* ![](https://www.servicenow.com/docs/portal-asset/ico-clock) 3 min. de leitura

Analise a importância de cada campo de entrada para as previsões do seu modelo usando a explicabilidade do modelo. Crie um modelo de classificação de fluxo de trabalho que inclua uma análise gráfica da importância do recurso executando o script fornecido.

## Antes de Iniciar

* Este método usa a API da solução de classificação de fluxo de trabalho, em vez do formulário Definição de solução, para criar e treinar um modelo com explicabilidade adicionada. Para obter informações sobre os componentes dos modelos de classificação de fluxo de trabalho, consulte [Crie e treine uma solução de classificação](https://servicenow-prod.fluidtopics.net/C9iSYOZzkV8NRk8~yL2HTA "Especifique os registros usados para treinar uma solução de classificação, quais campos acionam uma previsão e com que frequência você deseja treinar novamente sua solução.").
* Função necessária: Ml_admin ou admin

## Por Que e Quando Desempenhar Esta Tarefa

A explicabilidade do modelo ajuda a identificar os principais recursos que influenciam as previsões do modelo durante o treinamento.  
Nota:  
A explicabilidade não pode ser adicionada a um modelo existente. Este método usa um script para criar e treinar um novo modelo de classificação de fluxo de trabalho. Para obter mais informações sobre criar scripts de modelos de aprendizado de máquina, consulte [Usando APIs de aprendizado de máquina](https://servicenow-prod.fluidtopics.net/B3nVJ0NWhiKZZ5920TffOg#using-ml-apis "Uso ServiceNowAPIs de aprendizado de máquina (ML) para treinar modelos de aprendizado de máquina e executar inferências.").

O script fornecido no procedimento cria e treina um modelo com explicabilidade definida como verdadeiro. No formulário de solução do novo modelo, uma guia adicional rotulada Importância do recurso aparece. Esta guia oferece um gráfico da contribuição relativa de cada entrada para a previsão.

## Procedimento

1. Navegar até TudoDefinição do SistemaScripts - Segundo Plano.
2. Edite o filtro de consulta e os valores de tabela, campo e variável no script a seguir de acordo com seu modelo planejado e execute o script.  

       // Define a dataset
                           var myIncidentData = new sn_ml.DatasetDefinition({
                           'tableName': 'incident',
                           'fieldNames': ['category', 'short_description', 'sys_updated_by', 'assignment_group', 'description', 'priority'],
                           'encodedQuery': 'activeANYTHING'
                           });
                           
                           // Define a classification solution definition with explainability field
                           var mySolution = new sn_ml.ClassificationSolution({
                           'label': 'model explainability',
                           'dataset': myIncidentData,
                           'predictedFieldName': 'category',
                           'inputFieldNames': ['short_description', 'priority'],
                           //setting the explainability field to true.
                           'explainability': true,
                           });
                           
                           // Add solution to ClassificationSolutionStore
                           var my_unique_name = sn_ml.ClassificationSolutionStore.add(mySolution)
                           
                           // Submit training job
                           var solutionVersion = mySolution.submitTrainingJob();
                       
   Nota:  
   Substitua o filtro de consulta e os nomes de tabela, campo e variáveis neste script por seus próprios valores.
3. Navegue até a tabela Soluções DE ML \[ml_solution\] e abra sua nova solução selecionando o valor da sua Ativo campo.
4. No formulário de solução, localize e abra o. Importância do recurso .  
   Importância do recurso exibe uma lista suspensa.

   * O rótulo desta lista suspensa é o nome do campo de saída (previsto), portanto, o rótulo é específico para cada modelo.
   * Os valores na lista suspensa são as classes de saída possíveis para seu campo de saída, mais Global opção.
   {#predictive-intel-explainability__ul_p4z_dzp_zdc}

   | Opção de lista | Descrição |
   | Global | Fornece uma visão geral de como o modelo se comporta em todas as previsões, mostrando o impacto geral de cada recurso de entrada. Selecione Global para abrir um gráfico da importância de seus campos de entrada para previsões de todas as classes de saída como um todo. |
   | <kbd class="ph userinput">Seu valor de classe de saída</kbd> | Concentra-se no comportamento do modelo somente para a classe escolhida, mostrando como os recursos de entrada contribuem para previsões por classe. Selecione uma das classes de saída possíveis para abrir um gráfico da importância de seus campos de entrada para previsões para essa classe. |
   |-|-|

   {#predictive-intel-explainability__choicetable_afh_pny_12c}
5. Inicie a análise gráfica selecionando um valor na lista suspensa.  
   O eixo y mostra seus campos de entrada e o eixo x mostra a importância numérica de cada entrada. O rótulo do gráfico reflete a classe que você escolheu na lista suspensa.  
   Você pode passar o mouse sobre uma barra para exibir a porcentagem numérica da importância de cada entrada.

## Resultado

Um valor de importância positivo significa que o campo de entrada aumenta a pontuação de previsão do modelo. Um valor negativo significa que o campo de entrada diminui a pontuação de previsão.

## O que Fazer Depois

Considere descartar campos de entrada com pontuações de baixa importância. Retreine seu modelo após a modificação.