ScoringExplainer Kelas

Menentukan model penilaian.

Jika transformations diteruskan pada original_explainer, transformasi tersebut akan dibawa ke penjelas penilaian, itu akan mengharapkan data mentah, dan secara default pentingnya akan dikembalikan untuk fitur mentah. Jika feature_maps diteruskan di sini (TIDAK dimaksudkan untuk digunakan bersamaan dengan transformations), penjelas akan mengharapkan data yang ditransformasi, dan secara default pentingnya akan dikembalikan untuk data yang ditransformasi. Dalam kedua kasus tersebut, output dapat ditentukan dengan mengatur get_raw secara eksplisit ke True atau False pada metode explain penjelas.

Warisan

azureml._logging.chained_identity.ChainedIdentity

ScoringExplainer

Konstruktor

ScoringExplainer(original_explainer, feature_maps=None, **kwargs)

Parameter

original_explainer

<xref:interpret_community.common.base_explainer.BaseExplainer>

Diperlukan

Penjelas waktu pelatihan awalnya digunakan untuk menjelaskan model.

feature_maps

list[ndarray] atau list[csr_matrix]

nilai default: None

Daftar peta fitur dari fitur mentah hingga fitur yang dihasilkan. Daftar tersebut dapat berupa array numpy atau matriks rongga di mana setiap entri array (raw_index, generated_index) adalah bobot untuk setiap pasangan fitur mentah yang dihasilkan. Entri lainnya diatur ke nol. Untuk urutan transformasi [t1, t2, ..., tn] menghasilkan fitur yang dihasilkan dari fitur mentah, daftar peta fitur sesuai dengan peta mentah ke peta yang dihasilkan dalam urutan yang sama seperti t1, t2, dll. Jika peta fitur mentah hingga yang dihasilkan secara keseluruhan dari t1 ke tn tersedia, hanya peta fitur dalam daftar elemen tunggal yang dapat diteruskan.

Metode

explain	Gunakan model untuk penilaian guna memperkirakan nilai penting fitur data.
fit	Terapkan metode dummy yang diperlukan agar sesuai dengan antarmuka alur scikit-learn.
predict	Gunakan TreeExplainer dan model pohon untuk penilaian guna mendapatkan nilai penting fitur dari data. Membungkus fungsi .explain().

explain

Gunakan model untuk penilaian guna memperkirakan nilai penting fitur data.

abstract explain(evaluation_examples, get_raw)

Parameter

evaluation_examples

array atau DataFrame atau csr_matrix

Diperlukan

Matriks contoh vektor fitur (# contoh x # fitur) untuk menjelaskan output model.

get_raw

bool

Diperlukan

Jika True, nilai kepentingan untuk fitur mentah akan dikembalikan. Jika False, nilai kepentingan untuk fitur yang direkayasa akan dikembalikan. Jika tidak ditentukan dan transformations diteruskan ke penjelas asli, nilai penting mentah akan dikembalikan. Jika tidak ditentukan dan feature_maps diteruskan ke penjelas penilaian, nilai penting yang direkayasa akan dikembalikan.

Mengembalikan

Untuk model dengan satu output seperti regresi, metode ini mengembalikan matriks nilai penting fitur. Untuk model dengan output vektor, fungsi ini mengembalikan daftar matriks tersebut, satu untuk setiap output. Dimensi matriks ini adalah (# contoh x # fitur).

Tipe hasil

list

fit

Terapkan metode dummy yang diperlukan agar sesuai dengan antarmuka alur scikit-learn.

fit(X, y=None)

Parameter

X

Diperlukan

Data pelatihan.

y

nilai default: None

Target pelatihan.

predict

Gunakan TreeExplainer dan model pohon untuk penilaian guna mendapatkan nilai penting fitur dari data.

Membungkus fungsi .explain().

predict(evaluation_examples)

Parameter

evaluation_examples

array atau DataFrame atau csr_matrix

Diperlukan

Matriks contoh vektor fitur (# contoh x # fitur) untuk menjelaskan output model.

Mengembalikan

Untuk model dengan satu output seperti regresi, ini mengembalikan matriks nilai penting fitur. Untuk model dengan output vektor fungsi ini mengembalikan daftar matriks tersebut, satu untuk masing-masing output. Dimensi matriks ini adalah (# contoh x # fitur).

Tipe hasil

list

Atribut

features

Dapatkan nama fitur yang diteruskan ke penjelas asli.

Mengembalikan

Nama fitur, atau None jika tidak ada yang diberikan oleh pengguna.

Tipe hasil

list[str],

None