python

在 Colab 中执行以下代码

!pip install witwidget import witwidget from witwidget.notebook import WitWidget, WitConfigBuilder

如果你已经在本地安装了 TensorFlow 2.x，可直接通过 TensorBoard 调用 WIT插件：

```shell
pip install tensorboard-plugin-wit

启动 TensorBoard 后，在“What-If Tool”选项卡中即可使用。

准备模型与数据

WIT 支持 TensorFlow、XGBoost、Scikit-learn 等多种模型。你需要提供一个可调用的推理函数（Python 函数），该函数接受一个批次的样本特征并返回预测分数。对于分类模型，通常返回各类别的概率；对于回归模型，返回预测值。

例如，加载一个已训练的 TensorFlow 模型并创建推理函数：

import tensorflow as tf
model = tf.keras.models.load_model('my_model.h5')

def predict_fn(examples):
    # examples 是 list of dict，每个 dict 是特征名到特征值的映射
    # 需要转换成模型可接受的格式，例如 numpy 数组
    import numpy as np
    features = np.array([[ex['feature1'], ex['feature2']] for ex in examples])
    preds = model.predict(features)
    return preds.tolist()  # 返回列表

数据集则需提供为与推理函数输入格式一致的 list of dict，并附带标签列（可选），用于性能分析。

快速上手：从数据探索到假设分析

加载工具面板

使用 WitConfigBuilder 配置数据、模型和调整项，然后实例化 WitWidget 即可在 Notebook 中内嵌交互面板：

config = WitConfigBuilder(data_samples).set_model_type('classification') \
        .set_inference_predict_fn(predict_fn) \
        .set_label_vocab(['class_0', 'class_1']) \
        .set_target_feature('label')  # 如有标签
WitWidget(config, height=800)