反馈

ScoringExplainer 类

  • 参考

定义评分模型。

如果在 original_explainer 传入转换，则这些转换将传递给评分解释器，它将需要原始数据，并且默认情况下将返回原始特征的重要性。 如果在此处传入 feature_maps（不打算与转换同时使用），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 方法上将 get_raw 显式设置为 True 或 False 来指定输出。

继承
azureml._logging.chained_identity.ChainedIdentity
ScoringExplainer

构造函数

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

参数

original_explainer
<xref:interpret_community.common.base_explainer.BaseExplainer>
必需

训练时间解释器最初用于解释模型。

feature_maps
list[ndarray] 或 list[csr_matrix]
默认值: None

特征的列表从原始特征映射到生成的特征。 该列表可以是 numpy 数组或稀疏矩阵，其中每个数组条目 (raw_index, generated_index) 原始特征对的权重。 其他项设置为零。 对于转换序列 [t1，t2，...，tn] 从原始特征生成生成的特征，特征映射的列表对应于按 t1、t2 等相同顺序生成的映射的原始映射。如果提供了从 t1 到 tn 的整体原始到生成特征的映射，则可以传递单个元素列表中的该特征映射。

方法

explain

使用模型进行评分，以近似地估计数据的特征重要性值。
fit

实现拟合 scikit-learn 管道接口所需的虚拟方法。
predict

使用 TreeExplainer 和树模型进行评分，获取数据的特征重要性值。

包装 .explain() 函数。

explain

使用模型进行评分，以近似地估计数据的特征重要性值。

abstract explain(evaluation_examples, get_raw)

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的矩阵（# 示例 x # 特征）。

get_raw
bool
必需

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。 如果未指定且将转换传到原始解释器，则将返回原始重要性。 如果未指定且将 feature_maps 传入了评分解释器，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，此方法将返回特征重要性值矩阵。 对于具有向量输出的模型，此函数返回此类矩阵的列表，每个输出返回一个列表。 此矩阵的维度为 (示例数 x 特征数)。

返回类型

list

fit

实现拟合 scikit-learn 管道接口所需的虚拟方法。

fit(X, y=None)

参数

X
必需

训练数据。

y
默认值: None

训练目标。

predict

使用 TreeExplainer 和树模型进行评分，获取数据的特征重要性值。

包装 .explain() 函数。

predict(evaluation_examples)

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的矩阵 (示例数 x 特征数)。

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，此函数返回此类矩阵的列表，每个输出返回一个列表。 此矩阵的维度为 (示例数 x 特征数)。

返回类型

list

属性

features

获取传递到原始解释器的特征名称。

返回

特征名称，如果用户未给出任何名称，则为 None。

返回类型

list[str],
None