反馈

LinearScoringExplainer 类

  • 参考

定义基于 LinearExplainer 的评分模型。

如果原始解释器使用的是 SHAP LinearExplainer 并且没有传入初始化数据，则将重用原始解释器的核心。 如果原始解释器使用了其他方法或在 initialization_examples 下传入了新的初始化数据，则会创建新的解释器。

如果在 original_explainer 中传入了 transformations，则这些转换将传递给评分解释器，它将需要原始数据，并且默认将返回原始特征的重要性。 如果在此处传入 feature_maps（不与 transformations 同时使用），解释器将需要转换后的数据，并且默认情况下将为转换后的数据返回重要性。 无论哪种情况，都可以通过在解释器的 explain 方法中显式将 get_raw 设置为 True 或 False 来指定输出。

继承
azureml.interpret.scoring.scoring_explainer._scoring_explainer.ScoringExplainer
LinearScoringExplainer

构造函数

LinearScoringExplainer(original_explainer, initialization_examples=None, **kwargs)

参数

original_explainer
<xref:BaseExplainer>
必需

训练时间解释器最初用于解释线性模型。

initialization_examples
array 或 DataFrame 或 DenseData 或 csr_matrix
默认值: None

用于初始化解释器的特征向量示例矩阵 (示例数 x 特征数)。

方法

explain

使用 LinearExplainer 进行评分来获取数据的特征重要性值。

explain

使用 LinearExplainer 进行评分来获取数据的特征重要性值。

explain(evaluation_examples, get_raw=None)

参数

evaluation_examples
array 或 DataFrame 或 csr_matrix
必需

对模型的输出进行解释时所依据的特征向量示例矩阵 (示例数 x 特征数)。

get_raw
bool
默认值: None

如果为 True，将返回原始特征的重要性值。 如果为 False，将返回工程特征的重要性值。 如果未指定并将 transformations 传入了原始解释器，则返回原始重要性值。 如果未指定且将 feature_maps 传到评分解释器，则将返回工程重要性值。

返回

对于具有单一输出（例如回归）的模型，这将返回特征重要性值矩阵。 对于具有向量输出的模型，此函数将返回此类矩阵的列表，为每个输出返回一个矩阵。 此矩阵的维度是 (示例数 x 特征数)。

返回类型

list