Ik help je graag een verklaarbaarheidsdashboard voor je TensorFlow CNN-model te bouwen. Hier is een stapsgewijze implementatie in het Nederlands: ## 1. Vereiste Packages Installeren ```bash pip install tensorflow shap lime streamlit matplotlib seaborn numpy pillow ``` ## 2. Streamlit Dashboard Code (app.py) ```python import streamlit as st import tensorflow as tf import numpy as np import matplotlib.pyplot as plt import seaborn as sns import shap from lime import lime_image from skimage.segmentation import mark_boundaries from PIL import Image import io # Pagina configuratie st.set_page_config(page_title="Model Verklaarbaarheid Dashboard", layout="wide") # Titel st.title("CNN Model Verklaarbaarheid Dashboard") st.write("Analyse van dierenclassificatie model met SHAP en LIME") # Model laden (vervang met je eigen model pad) @st.cache_resource def load_model(): try: model = tf.keras.models.load_model('jouw_model.h5') return model except: st.error("Kon model niet laden. Zorg dat het pad correct is.") return None model = load_model() # Klasse labels (pas aan naar jouw dataset) class_names = ['Kat', 'Hond', 'Vogel', 'Vis', 'Konijn', 'Hamster', 'Schildpad', 'Paard', 'Koe', 'Schaap'] # Upload sectie uploaded_file = st.file_uploader("Upload een dierenfoto", type=['jpg', 'jpeg', 'png']) if uploaded_file is not None and model is not None: # Afbeelding verwerken image = Image.open(uploaded_file).convert('RGB') image = image.resize((150, 150)) # Pas aan naar je model input size img_array = np.array(image) / 255.0 img_array = np.expand_dims(img_array, axis=0) # Voorspelling maken prediction = model.predict(img_array) predicted_class = np.argmax(prediction[0]) confidence = np.max(prediction[0]) # Resultaten tonen col1, col2 = st.columns(2) with col1: st.image(image, caption="Uploaded Afbeelding", use_column_width=True) st.write(f"**Voorspeld:** {class_names[predicted_class]}") st.write(f"**Betrouwbaarheid:** {confidence:.2%}") with col2: # Waarschijnlijkheidsverdeling fig, ax = plt.subplots() ax.barh(class_names, prediction[0]) ax.set_xlabel('Waarschijnlijkheid') ax.set_title('Class Waarschijnlijkheidsverdeling') st.pyplot(fig) # SHAP Analyse st.header("SHAP Analyse") # Background data voor SHAP (vereist enkele voorbeelden) @st.cache_data def get_background_data(): # Hier zou je enkele voorbeeldafbeeldingen moeten laden # Voor nu gebruiken we een placeholder return np.random.rand(10, 150, 150, 3) try: background = get_background_data() explainer = shap.DeepExplainer(model, background) shap_values = explainer.shap_values(img_array) # SHAP waarden visualiseren shap.image_plot(shap_values, -img_array) st.pyplot(plt.gcf()) except Exception as e: st.warning(f"SHAP analyse kon niet worden uitgevoerd: {str(e)}") # LIME Analyse st.header("LIME Analyse") def predict_fn(images): return model.predict(images) explainer_lime = lime_image.LimeImageExplainer() explanation = explainer_lime.explain_instance( img_array[0].astype('double'), predict_fn, top_labels=5, hide_color=0, num_samples=1000 ) # LIME resultaten temp, mask = explanation.get_image_and_mask( explanation.top_labels[0], positive_only=True, num_features=5, hide_rest=False ) fig, ax = plt.subplots(1, 2, figsize=(12, 4)) ax[0].imshow(mark_boundaries(temp, mask)) ax[0].set_title('Belangrijke Features (LIME)') ax[0].axis('off') # Feature importance ax[1].barh(range(len(explanation.top_labels)), [explanation.local_exp[label][0][1] for label in explanation.top_labels]) ax[1].set_yticks(range(len(explanation.top_labels))) ax[1].set_yticklabels([class_names[label] for label in explanation.top_labels]) ax[1].set_title('Feature Importance Scores') st.pyplot(fig) # Verwarringsmatrix Sectie (vereist testdata) st.header("Model Prestatie Analyse") if st.button("Genereer Verwarringsmatrix"): # Hier zou je je testdata moeten laden # Placeholder code: st.info("Deze functionaliteit vereist gelabelde testdata. Pas de code aan om je eigen data te laden.") # Voorbeeld verwarringsmatrix confusion = np.random.rand(10, 10) confusion = confusion / confusion.sum(axis=1, keepdims=True) fig, ax = plt.subplots(figsize=(10, 8)) sns.heatmap(confusion, annot=True, fmt='.2%', xticklabels=class_names, yticklabels=class_names, cmap='Blues', ax=ax) ax.set_title('Verwarringsmatrix Heatmap') ax.set_xlabel('Voorspelde Label') ax.set_ylabel('Ware Label') st.pyplot(fig) # Feature Importance Globale Analyse st.header("Globale Feature Importance") if st.button("Toon Globale Feature Importance"): # Placeholder voor globale feature importance st.info("Globale feature importance vereist analyse van de volledige dataset") # Voorbeeld data features = ['Vacht Textuur', 'Oog Vorm', 'Oor Grootte', 'Poot Lengte', 'Staart Vorm'] importance = np.random.rand(len(features)) fig, ax = plt.subplots() ax.barh(features, importance) ax.set_title('Globale Feature Importance') ax.set_xlabel('Belang Score') st.pyplot(fig) # Gebruiksaanwijzing st.sidebar.header("Gebruiksaanwijzing") st.sidebar.info(""" 1. Upload een dierenfoto voor analyse 2. Bekijk de voorspelling en betrouwbaarheid 3. Analyseer feature contributions met SHAP en LIME 4. Genereer prestatiemetrics met de knoppen onderaan """) ``` ## 3. Aanvullende Bestanden **requirements.txt:** ``` tensorflow>=2.8.0 streamlit>=1.22.0 shap>=0.41.0 lime>=0.2.0.1 matplotlib>=3.5.0 seaborn>=0.11.2 numpy>=1.21.0 Pillow>=9.0.0 ``` ## 4. Gebruiksaanwijzing 1. **Sla de code op** als `app.py` 2. **Zorg dat je model** beschikbaar is als `jouw_model.h5` 3. **Pas class_names aan** naar je eigen dierencategorieën 4. **Voeg testdata toe** voor de verwarringsmatrix 5. **Run de app** met: `streamlit run app.py` ## Belangrijke Aanpassingen Nodig: - **Model pad**: Update `jouw_model.h5` naar je werkelijke model - **Class names**: Pas de class_names lijst aan naar je 10 dierencategorieën - **Input size**: Update de image resize naar je model's input dimensies - **Background data**: Voeg echte voorbeeldafbeeldingen toe voor SHAP - **Testdata**: Implementeer loading van je testdataset voor de metrics Dit dashboard geeft je inzicht in zowel lokale als globale modelbeslissingen met de gewenste SHAP en LIME visualisaties!