Веб-сервис/эксель/etc. должен примерно показывать работу вашей модели в бою. Если это классификация, то пользователю нужно дать её потестить, если прогноз, то потестить прогноз - с возможностью менять значения признаков модели (тех, которые пользователь сможет менять в продуктиве) и, возможно, каких-то её параметров (горизонт/гранулярность прогноза, что-то ещё).
Если что-то осталось неясным, то можем разобрать ваш конкретный пример и что можно сделать в вашем случае.
Конечно, можно. Имеется в виду создание простого инструмента - в виде небольшого веб-сервиса или даже эксель-файла - с возможностью пользователю задавать разные параметры и видеть, как меняется результат. Когда будущий пользователь модели может потыкать/проверить разные сценарии её поведения, он понимает, что ничего страшного в ней нет, что результат адекватен по тем сценариям, которые его интересуют. В случае оптимизации банально видит, что при вариантах, отличающихся от оптимального (того, что предлагает модель), эффект на целевые метрики ниже. И радуется)
Хабр (вроде временно) не дает редактировать публикации старше 30 дней, поэтому пока опубликую ссылку на статью-продолжение о ключевых трендах 2021 г. в Causal Inference in ML в комментарии тут: https://habr.com/ru/company/ods/blog/667730/
С интерактивщиной на R есть, конечно, нюансы. Но если с ними разобраться, то можно очень быстро делать красивые, аккуратные и удобные приложения. Markdown в связке с htmlwidgets дает очень большие возможности (и, как правило, предусмотрена интеграция с D3.js), а для всего остального есть shiny.
Все линки в статье скорректированы!
(При первичной публикации из-за какого-то сбоя многие линки оказались битыми).
Все верно @NetBUG написал выше, большое спасибо.
Веб-сервис/эксель/etc. должен примерно показывать работу вашей модели в бою. Если это классификация, то пользователю нужно дать её потестить, если прогноз, то потестить прогноз - с возможностью менять значения признаков модели (тех, которые пользователь сможет менять в продуктиве) и, возможно, каких-то её параметров (горизонт/гранулярность прогноза, что-то ещё).
Если что-то осталось неясным, то можем разобрать ваш конкретный пример и что можно сделать в вашем случае.
Конечно, можно.
Имеется в виду создание простого инструмента - в виде небольшого веб-сервиса или даже эксель-файла - с возможностью пользователю задавать разные параметры и видеть, как меняется результат.
Когда будущий пользователь модели может потыкать/проверить разные сценарии её поведения, он понимает, что ничего страшного в ней нет, что результат адекватен по тем сценариям, которые его интересуют.
В случае оптимизации банально видит, что при вариантах, отличающихся от оптимального (того, что предлагает модель), эффект на целевые метрики ниже. И радуется)
Хабр (вроде временно) не дает редактировать публикации старше 30 дней, поэтому пока опубликую ссылку на статью-продолжение о ключевых трендах 2021 г. в Causal Inference in ML в комментарии тут: https://habr.com/ru/company/ods/blog/667730/
D3.js), а для всего остального естьshiny.