Интерпретируемость

Обучите классификационные модели интерпретации и интерпретируйте комплексные классификационные модели

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

Чтобы узнать, как интерпретировать классификационные модели, смотрите Interpret Machine Learning Models.

Функции

расширить все

Интерпретируемая модель-агностические объяснения (LIME)

limeЛокальные интерпретируемые модели-агностические объяснения (LIME)
fitПодгонка простой модели локальных интерпретируемых объяснений модели-агностики (LIME)
plotПостроение графиков результатов локальных интерпретируемых объяснений модели-агностики (LIME)

Значения Шепли

shapleyЗначения Shapley
fitВычислите значения Shapley для точки запроса
plotГрафическое изображение значений Шепли

Частичная зависимость

partialDependenceВычисление частичной зависимости
plotPartialDependenceСоздайте график частичной зависимости (PDP) и отдельные графики условного ожидания (ICE)
fitcgamПодгонка обобщенной аддитивной модели (GAM) для двоичной классификации
fitclinearПодгонка линейной классификационной модели к высоко-размерным данным
fitctreeПодбор двоичного дерева принятия решений для многоклассовой классификации

Объекты

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

Темы

Интерпретация модели

Интерпретируйте модели машинного обучения

Объясните предсказания модели с помощью lime, shapley, и plotPartialDependence.

Значения Shapley для модели машинного обучения

Вычислите значения Шепли для модели машинного обучения с помощью двух алгоритмов: kernelSHAP и расширения до kernelSHAP.

Введение в выбор признаков

Узнайте об алгоритмах выбора признаков и исследуйте функции, доступные для выбора объектов.

Интерпретируемые модели

Обучите обобщенную аддитивную модель для двоичной классификации

Обучите обобщенную аддитивную модель (GAM) с оптимальными параметрами, оцените прогнозирующую эффективность и интерпретируйте обученную модель.

Обучите деревья решений с помощью приложения Classification Learner

Создайте и сравните деревья классификации и экспортируйте обученные модели, чтобы делать предсказания для новых данных.

Классификация с использованием ближайших соседей

Классифицируйте точки данных на основе их расстояния до точек в наборе обучающих данных, используя различные метрики расстояния.

Для просмотра документации необходимо авторизоваться на сайте