Используйте по сути поддающиеся толкованию модели классификации, такие как линейные модели, деревья решений, и обобщил аддитивные модели, или используйте функции interpretability, чтобы интерпретировать комплексные модели классификации, которые не являются по сути поддающимися толкованию.
Чтобы изучить, как интерпретировать модели классификации, смотрите, Интерпретируют Модели Машинного обучения.
ClassificationGAM | Обобщенная аддитивная модель (GAM) для бинарной классификации |
ClassificationLinear | Линейная модель для бинарной классификации высоко-размерных данных |
ClassificationTree | Дерево выбора из двух альтернатив для классификации мультиклассов |
Интерпретируйте модели машинного обучения
Объясните предсказания модели с помощью lime, shapley, и plotPartialDependence.
Шепли оценивает за модель машинного обучения
Вычислите значения Шепли для машинного обучения, моделируют использование двух алгоритмов: kernelSHAP и расширение kernelSHAP.
Узнайте об алгоритмах выбора признаков и исследуйте функции, доступные для выбора признаков.
Обучите обобщенную аддитивную модель бинарной классификации
Обучите обобщенную аддитивную модель (GAM) оптимальными параметрами, оцените прогнозирующую эффективность и интерпретируйте обученную модель.
Обучите деревья решений Используя приложение Classification Learner
Создайте и сравните деревья классификации и экспортируйте обученные модели, чтобы сделать предсказания для новых данных.
Классификация Используя самых близких соседей
Категоризируйте точки данных на основе их расстояния до точек в обучающем наборе данных, с помощью множества метрик расстояния.