反馈

automlexplainer 模块

  • 参考

包含用于解释 Azure 机器学习中的自动化 ML 模型的函数。

在模型训练期间，可以使用包含的类来了解特征重要性。 分类和回归模型允许不同的特征重要性输出。 有关概述，请参阅 Azure 机器学习中的模型可解释性。

特征重要性主要在与 SHapley Additive exPlanations (SHAP) 具有相同意义的情况下使用。 有关详细信息和提供了确切定义的文章的链接，请参阅 SHAP GitHub。 有关特征重要性的更多背景信息，请参阅这篇有关 LIME（一种解释技术）的文章。 可在此文中找到与 InterpretML 包中使用的技术相同的其他特征重要性方法。

函数

explain_model

使用指定的 X_train 和 X_test 数据解释模型。

返回 shap_values、expected_values、overall_summary、overall_imp、per_class_summary 和 per_class_imp 的元组，其中

  • shap_values - 对于回归模型，此元素返回特征重要性值的矩阵。 对于分类模型，此矩阵的维度是 (示例数 x 特征数)。

  • expected_values - 应用于初始化示例集的模型的预期值。

  • overall_summary - 模型级特征重要性值，按降序排列。

  • overall_imp - 按与 overall_summary 中的相同顺序排序的特征名称，或对 overall_summary 进行排序的索引。

  • per_class_summary - 评估分类模型时按降序排序的类级特征重要性值。 仅适用于分类案例。

  • per_class_imp - 按与 per_class_summary 中的相同顺序排序的特征名称，或对 per_class_summary 进行排序的索引。 仅适用于分类案例。

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

参数

fitted_model
pipeline
必需

拟合的自动化机器学习模型。

X_train
array 或 DataFrame 或 csr_matrix
必需

用于初始化解释器的特征向量示例矩阵。

X_test
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。

y_train
DataFrame 或 ndarray
默认值: None

用于帮助进行时序解释的训练标签。

best_run
Run
默认值: None

与最佳管道对应的运行对象。

features
list[str]
默认值: None

特征名称列表。

kwargs
dict
必需

返回

模型的解释。

返回类型

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

retrieve_model_explanation

从运行历史记录中检索模型解释。

返回以下值的元组

  • shap_values - 对于回归模型，此元素返回特征重要性值的矩阵。 对于分类模型，此矩阵的维度是 (示例数 x 特征数)。

  • expected_values - 应用于初始化示例集的模型的预期值。

  • overall_summary - 模型级特征重要性值，按降序排列。

  • overall_imp - 按与 overall_summary 中的相同顺序排序的特征名称，或对 overall_summary 进行排序的索引。

  • per_class_summary - 评估分类模型时按降序排序的类级特征重要性值。 仅适用于分类案例。

  • per_class_imp - 按与 per_class_summary 中的相同顺序排序的特征名称，或对 per_class_summary 进行排序的索引。 仅适用于分类案例。

retrieve_model_explanation(child_run)

参数

child_run
Run
必需

与最佳管道对应的运行对象。

返回

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

返回类型

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