DeepChecks

Intégrez W&B à Deepchecks pour valider des modèles de machine learning et des jeux de données grâce à des tests automatisés et au suivi des expériences.

DeepChecks vous aide à valider vos modèles de machine learning et vos données, par exemple en vérifiant l’intégrité de vos données, en examinant leurs distributions, en validant les découpages des données, en évaluant votre modèle et en comparant différents modèles, le tout avec un minimum d’effort.

En savoir plus sur DeepChecks et l’intégration à wandb ->

Premiers pas

Pour utiliser DeepChecks avec W&B, vous devez d’abord créer un compte W&B. Grâce à l’intégration W&B dans DeepChecks, vous pouvez démarrer rapidement comme suit :

import wandb

wandb.login()

# importez votre vérification depuis deepchecks
from deepchecks.checks import ModelErrorAnalysis

# exécutez votre vérification
result = ModelErrorAnalysis()

# envoyez ce résultat à wandb
result.to_wandb()

Vous pouvez également journaliser l’intégralité d’une suite de tests DeepChecks dans W&B.

import wandb

wandb.login()

# importer vos tests full_suite depuis deepchecks
from deepchecks.suites import full_suite

# créer et exécuter une suite de tests DeepChecks
suite_result = full_suite().run(...)

# envoyer ces résultats à wandb
# vous pouvez passer ici toutes les configurations et arguments wandb.init dont vous avez besoin
suite_result.to_wandb(project="my-suite-project", config={"suite-name": "full-suite"})

Exemple

Ce Report illustre la puissance de DeepChecks et de W&B.

Des questions ou des problèmes avec cette intégration W&B ? Ouvrez une issue dans le dépôt GitHub de DeepChecks, et nous vous répondrons.