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.
ClassificationGAM | Обобщенная аддитивная модель (GAM) для двоичной классификации |
ClassificationLinear | Линейная модель для двоичной классификации высокомерных данных |
ClassificationTree | Двоичное дерево принятия решений для многоклассовой классификации |
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.
Узнайте об алгоритмах выбора признаков и исследуйте функции, доступные для выбора объектов.
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.