Saran dan Komentar

automlexplainer Modul

  • Referensi

Berisi fungsi untuk menjelaskan model ML otomatis dalam Azure Machine Learning.

Kelas yang disertakan memperbolehkan pemahaman tentang kepentingan fitur selama pelatihan model. Model klasifikasi dan regresi memperbolehkan output kepentingan fitur yang berbeda. Sebagai gambaran umum, lihat Kemampuan interpretasi model di Azure Machine Learning.

Sebagian besar kepentingan fitur digunakan dalam nalar yang sama dengan SHapley Additive exPlanations (SHAP). Untuk informasi selengkapnya dan link ke makalah dengan definisi yang tepat, lihat SHAP GitHub. Untuk latar belakang tambahan pada kepentingan fitur, lihat makalah ini tentang LIME, sebuah teknik penjelasan. Pendekatan yang berbeda pada kepentingan fitur dapat ditemukan di makalah ini, dengan teknik yang sama yang digunakan dalam paket InterpretML.

Fungsi

explain_model

Jelaskan model dengan data X_train dan X_test yang ditentukan.

Mengembalikan tuple shap_values, expected_values, overall_summary, overall_imp, per_class_summary, dan per_class_imp dengan ketentuan

  • shap_values - Untuk model regresi, ini mengembalikan matriks nilai kepentingan fitur. Untuk model klasifikasi, dimensi matriks ini adalah (# contoh x # fitur).

  • expected_values - Nilai yang diharapkan dari model yang diterapkan pada set contoh inisialisasi.

  • overall_summary - Nilai kepentingan fitur tingkat model diurutkan dalam urutan menurun.

  • overall_imp - Nama fitur yang diurutkan dalam urutan yang sama seperti dalam overall_summary atau indeks yang akan mengurutkan overall_summary.

  • per_class_summary - Nilai kepentingan fitur tingkat kelas yang diurutkan dalam urutan menurun saat model klasifikasi dievaluasi. Hanya tersedia untuk kasus klasifikasi.

  • per_class_imp - Nama fitur yang diurutkan dalam urutan yang sama seperti dalam per_class_summary atau indeks yang akan mengurutkan per_class_summary. Hanya tersedia untuk kasus klasifikasi.

explain_model(fitted_model, X_train, X_test, best_run=None, features=None, y_train=None, **kwargs)

Parameter

fitted_model
pipeline
Diperlukan

Model ML otomatis yang disesuaikan.

X_train
array atau DataFrame atau csr_matrix
Diperlukan

Matriks contoh vektor fitur untuk menginisialisasi penjelas.

X_test
array atau DataFrame atau csr_matrix
Diperlukan

Matriks contoh vektor fitur untuk menjelaskan output model.

y_train
DataFrame atau ndarray
nilai default: None

Label pelatihan untuk membantu penjelasan seri waktu.

best_run
Run
nilai default: None

Objek eksekusi yang sesuai dengan alur terbaik.

features
list[str]
nilai default: None

Daftar nama fitur.

kwargs
dict
Diperlukan

Mengembalikan

Penjelasan model.

Tipe hasil

(list, list, list, list, list, list)

retrieve_model_explanation

Ambil penjelasan model dari riwayat eksekusi.

Mengembalikan tuple nilai berikut

  • shap_values - Untuk model regresi, ini mengembalikan matriks nilai kepentingan fitur. Untuk model klasifikasi, dimensi matriks ini adalah (# contoh x # fitur).

  • expected_values - Nilai yang diharapkan dari model yang diterapkan pada set contoh inisialisasi.

  • overall_summary - Nilai kepentingan fitur tingkat model diurutkan dalam urutan menurun.

  • overall_imp - Nama fitur yang diurutkan dalam urutan yang sama seperti dalam overall_summary atau indeks yang akan mengurutkan overall_summary.

  • per_class_summary - Nilai kepentingan fitur tingkat kelas yang diurutkan dalam urutan menurun saat model klasifikasi dievaluasi. Hanya tersedia untuk kasus klasifikasi.

  • per_class_imp - Nama fitur yang diurutkan dalam urutan yang sama seperti dalam per_class_summary atau indeks yang akan mengurutkan per_class_summary. Hanya tersedia untuk kasus klasifikasi.

retrieve_model_explanation(child_run)

Parameter

child_run
Run
Diperlukan

Objek eksekusi yang sesuai dengan alur terbaik.

Mengembalikan

tuple(shap_values, expected_values, overall_summary, overall_imp, per_class_summary, dan per_class_imp)

Tipe hasil

(list, list, list, list, list, list)