Интерпретируемость

Обучите интерпретируемые регрессионые модели и интерпретируйте комплексные регрессионые модели

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

Чтобы узнать, как интерпретировать регрессионые 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)
fitlmПодбор линейной регрессионой модели
fitrgamПодгонка обобщенной аддитивной модели (GAM) для регрессии
fitrlinearПодгонка линейной регрессионой модели к высоко-размерным данным
fitrtreeПодбор двоичного дерева принятия решений для регрессии

Объекты

LinearModelЛинейная регрессионая модель
RegressionGAMОбобщенная аддитивная модель (GAM) для регрессии
RegressionLinearЛинейная регрессионая модель для высоко-размерных данных
RegressionTreeДерево регрессии

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 линейную регрессионую модель

Обучите линейную регрессионую модель, используя fitlm для анализа данных в памяти и данной , которой не помещаютсе в память,.

Обучите обобщенную аддитивную модель для регрессии

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

Обучите регрессионные деревья с помощью приложения Regression Learner

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

Для просмотра документации необходимо авторизоваться на сайте