Exponenta Banner
exponenta event banner

Интерпретируемость

Подготовка интерпретируемых классификационных моделей и интерпретация сложных классификационных моделей

Используйте внутренне интерпретируемые классификационные модели, такие как линейные модели, деревья решений и обобщенные аддитивные модели, или используйте функции интерпретируемости для интерпретации сложных классификационных моделей, которые по своей сути не интерпретируются.

Инструкции по интерпретации классификационных моделей см. в разделе Интерпретация моделей машинного обучения.

Функции

развернуть все

Локальная интерпретируемая модель - агностические объяснения (LIME)

limeЛокальные интерпретируемые модели-агностические объяснения (LIME)
fitПодгонка простой модели локальных интерпретируемых моделей-агностических объяснений (LIME)
plotРезультаты графика локальных интерпретируемых модельно-агностических объяснений (LIME)

Значения Шапли

shapleyЗначения Шапли
fitВычислить значения Shapley для точки запроса
plotГрафик значений Шейпли

Частичная зависимость

partialDependenceВычислить частичную зависимость
plotPartialDependenceСоздание графиков частичной зависимости (PDP) и индивидуального условного ожидания (ICE)
fitcgamПодгонка обобщенной аддитивной модели (GAM) для двоичной классификации
fitclinearСоответствие модели линейной классификации объемным данным
fitctreeПодгонка двоичного дерева решений для многоклассовой классификации

Объекты

ClassificationGAMОбобщенная аддитивная модель (GAM) для двоичной классификации
ClassificationLinearЛинейная модель для двоичной классификации высокоразмерных данных
ClassificationTreeДвоичное дерево решений для многоклассовой классификации

Темы

Интерпретация модели

Интерпретировать модели машинного обучения

Объяснение прогнозов модели с помощью lime, shapley, и plotPartialDependence.

Ценности Shapley для модели машинного обучения

Вычислите значения Shapley для модели машинного обучения с помощью двух алгоритмов: kernelSHAP и расширения к kernelSHAP.

Введение в выбор элементов

Узнайте о алгоритмах выбора элементов и изучите функции, доступные для выбора элементов.

Интерпретируемые модели

Обобщенная аддитивная модель поезда для двоичной классификации

Обучение обобщенной аддитивной модели (GAM) с оптимальными параметрами, оценка прогностической эффективности и интерпретация обученной модели.

Обучение деревьев принятия решений с помощью приложения Classification Learner

Создание и сравнение деревьев классификации и экспорт обученных моделей для прогнозирования новых данных.

Классификация с использованием ближайших соседей

Категоризация точек данных на основе их расстояния до точек в обучающем наборе данных с использованием различных метрик расстояния.

Документация по инструментам для статистического и машинного обучения

Поддержка