Значения Shapley
Значение Shapley функции для точки запроса объясняет отклонение предсказания для точки запроса от среднего предсказания из-за функции. Для каждой точки запроса сумма значений Shapley для всех функций соответствует общему отклонению предсказания от среднего значения.
Можно создать shapley
объект для модели машинного обучения с заданной точкой запроса (queryPoint
). Программа создает объект и вычисляет значения Shapley всех функций для точки запроса.
Используйте значения Shapley, чтобы объяснить вклад отдельных функций в предсказание в указанной точке запроса. Используйте plot
функция для создания гистограммы значений Шепли. Можно вычислить значения Shapley для другой точки запроса с помощью fit
функция.
также вычисляет значения Shapley для точки запроса explainer
= shapley(___,'QueryPoint',queryPoint
)queryPoint
и сохраняет вычисленные значения Шепли в ShapleyValues
свойство explainer
. Можно задать queryPoint
в дополнение к любой комбинации входных аргументов в предыдущих синтаксисах.
задает дополнительные опции, используя один или несколько аргументов имя-значение. Для примера задайте explainer
= shapley(___,Name,Value
)'UseParallel',true
для параллельного вычисления значений Шепли.
blackbox
- Интерпретируемая модель машинного обученияМодель машинного обучения, которая будет интерпретирована, заданная как полная или компактная регрессия или классификация объект модели или указатель на функцию.
Полный или компактный объект модели - можно задать полный или компактный объект регрессии или классификации модели, который имеет predict
функция объекта. Программное обеспечение использует predict
функция для вычисления значений Шепли.
Если вы задаете объект модели, который не содержит данных предиктора (для примера, компактная модель), то вы должны предоставить данные предиктора, используя X
.
Когда вы обучаете модель, используйте числовую матрицу или таблицу для данных предиктора, где строки соответствуют отдельным наблюдениям.
Объект модели
Поддерживаемая модель | Полная или компактная регрессия Объекта модели |
---|---|
Ансамбль регрессионных моделей | RegressionEnsemble , RegressionBaggedEnsemble , CompactRegressionEnsemble |
Гауссовская регрессионая модель ядра с использованием расширения случайных функций | RegressionKernel |
Регрессия Гауссова процесса | RegressionGP , CompactRegressionGP |
Обобщенная аддитивная модель | RegressionGAM , CompactRegressionGAM |
Линейная регрессия для высоко-размерных данных | RegressionLinear |
Модель регрессии нейронной сети | RegressionNeuralNetwork , CompactRegressionNeuralNetwork |
Дерево регрессии | RegressionTree , CompactRegressionTree |
Машина опорных векторов регрессия | RegressionSVM , CompactRegressionSVM |
Объект модели
Поддерживаемая модель | Полный или компактный объект классификационной модели |
---|---|
Классификатор дискриминантного анализа | ClassificationDiscriminant , CompactClassificationDiscriminant |
Многоклассовая модель для машин опорных векторов или других классификаторов | ClassificationECOC , CompactClassificationECOC |
Ансамбль учащихся по классификации | ClassificationEnsemble , CompactClassificationEnsemble , ClassificationBaggedEnsemble |
Гауссовская модель классификации ядра с использованием расширения случайных функций | ClassificationKernel |
Обобщенная аддитивная модель | ClassificationGAM , CompactClassificationGAM |
k - ближайший соседний классификатор | ClassificationKNN |
Линейная классификационная модель | ClassificationLinear |
Многоклассовая наивная модель Байеса | ClassificationNaiveBayes , CompactClassificationNaiveBayes |
Классификатор нейронной сети | ClassificationNeuralNetwork , CompactClassificationNeuralNetwork |
Машина опорных векторов для одноклассовой и двоичной классификации | ClassificationSVM , CompactClassificationSVM |
Двоичное дерево принятия решений для многоклассовой классификации | ClassificationTree , CompactClassificationTree |
Указатель на функцию - можно задать указатель на функцию, который принимает данные предиктора и возвращает вектор-столбец, содержащую предсказание для каждого наблюдения в данных предиктора. Предсказание является предсказанной реакцией на регрессию или предсказанным счетом одного класса для классификации. Вы должны предоставить данные предиктора, используя X
.
X
- Данные предиктораДанные предиктора, заданные как числовая матрица или таблица. Каждая строка X
соответствует одному наблюдению, и каждый столбец соответствует одной переменной.
Для числовой матрицы:
Переменные, составляющие столбцы X
должен иметь тот же порядок, что и переменные предиктора, которые обучали blackbox
, хранится в blackbox.X
.
Если вы тренировались blackbox
используя таблицу, затем X
может быть числовой матрицей, если таблица содержит все числовые переменные предиктора.
Для таблицы:
Если вы тренировались blackbox
использование таблицы (для примера, Tbl
), затем все переменные предиктора в X
должны иметь те же имена переменных и типы данных, что и в Tbl
. Однако порядок столбцов X
не должен соответствовать порядку столбцов Tbl
.
Если вы тренировались blackbox
используя числовую матрицу, затем имена предикторов в blackbox.PredictorNames
и соответствующие имена переменных предиктора в X
должно быть то же самое. Чтобы задать имена предикторов во время обучения, используйте 'PredictorNames'
аргумент имя-значение. Все переменные предиктора в X
должны быть числовыми векторами.
X
может содержать дополнительные переменные (переменные отклика, веса наблюдений и так далее), но shapley
игнорирует их.
shapley
не поддерживает многополюсные переменные или массивы ячеек, отличные от массивов ячеек векторов символов.
Если blackbox
является объектом модели, который не содержит данных предиктора или указателя на функцию, вы должны предоставить X
. Если blackbox
является полным объектом модели машинного обучения, и вы задаете этот аргумент, затем shapley
не использует данные предиктора в blackbox
; он использует только указанные данные предиктора.
Типы данных: single
| double
queryPoint
- Точка запросаТочка запроса, в которой shapley
объясняет предсказание, заданное как вектор-строка с числовыми значениями или таблица с одной строкой.
Для вектора-строки с числовыми значениями:
Для таблицы с одной строкой:
Если вы тренировались blackbox
использование таблицы (для примера, Tbl
), затем все переменные предиктора в queryPoint
должны иметь те же имена переменных и типы данных, что и в Tbl
. Однако порядок столбцов queryPoint
не должен соответствовать порядку столбцов Tbl
.
Если вы тренировались blackbox
используя числовую матрицу, затем имена предикторов в blackbox.PredictorNames
и соответствующие имена переменных предиктора в queryPoint
должно быть то же самое. Чтобы задать имена предикторов во время обучения, используйте 'PredictorNames'
аргумент имя-значение. Все переменные предиктора в queryPoint
должны быть числовыми векторами.
queryPoint
может содержать дополнительные переменные (переменные отклика, веса наблюдений и так далее), но shapley
игнорирует их.
shapley
не поддерживает многополюсные переменные или массивы ячеек, отличные от массивов ячеек векторов символов.
Если queryPoint
содержит NaN
s для непрерывных предикторов и 'Method'
является 'conditional-kernel'
, затем значения Шепли (ShapleyValues
) в возвращаемом объекте NaN
s. В противном случае, shapley
указатели NaN
s в queryPoint
так же, как и blackbox
(а predict
функция объекта от blackbox
или указатель на функцию, заданный как blackbox
).
Пример: blackbox.X(1,:)
задает точку запроса как первое наблюдение данных предиктора в полной модели машинного обучения blackbox
.
Типы данных: single
| double
| table
Задайте необязательные разделенные разделенными запятой парами Name,Value
аргументы. Name
- имя аргумента и Value
- соответствующее значение. Name
должны находиться внутри кавычек. Можно задать несколько аргументов в виде пар имен и значений в любом порядке Name1,Value1,...,NameN,ValueN
.
shapley(blackbox,'QueryPoint',q,'Method','conditional-kernel')
создает shapley
и вычисляет значения Shapley для точки запроса q
использование расширения к алгоритму kernelSHAP.'CategoricalPredictors'
- Категориальный список предикторов'all'
Категориальный список предикторов, заданный как одно из значений в этой таблице.
Значение | Описание |
---|---|
Вектор положительных целых чисел | Каждая запись в векторе является индексом значением, соответствующим столбцу данных предиктора, который содержит категориальную переменную. Значения индекса находятся между 1 и Если |
Логический вектор | A |
Матрица символов | Каждая строка матрицы является именем переменной. Имена должны совпадать с именами переменных данных предиктора в форме таблицы. Дополните имена дополнительными пробелами, чтобы каждая строка матрицы символов имела одинаковую длину. |
Строковые массивы или массив ячеек векторов символов | Каждый элемент массива является именем переменной. Имена должны совпадать с именами переменных данных предиктора в форме таблицы. |
'all' | Все предикторы категоричны. |
Если вы задаете blackbox
как указатель на функцию, тогда shapley
определяет категориальные предикторы из данных предиктора X
. Если данные предиктора находятся в таблице, shapley
принимает, что переменная категориальна, если это логический вектор, неупорядоченный категориальный вектор, символьный массив, строковые массивы или массив ячеек из векторов символов. Если данные предиктора являются матрицей, shapley
принимает, что все предикторы непрерывны. Чтобы идентифицировать любые другие предикторы как категориальные предикторы, задайте их с помощью 'CategoricalPredictors'
аргумент имя-значение.
Если вы задаете blackbox
как объект регрессионной или классификационной модели, затем shapley
определяет категориальные предикторы при помощи CategoricalPredictors
свойство объекта модели.
shapley
поддерживает упорядоченный категориальный предиктор при blackbox
поддерживает упорядоченные категориальные предикторы и 'Method'
является 'interventional-kernel'
.
Пример: 'CategoricalPredictors','all'
Типы данных: single
| double
| logical
| char
| string
| cell
'MaxNumSubsets'
- Максимальное количество подмножеств предикторовmin(2^M,1024)
где M
- количество предикторов (по умолчанию) | положительным целым числомМаксимальное количество подмножеств предикторов для использования при расчете значения Шепли, заданное в виде положительного целого числа.
Для получения дополнительной информации о том, как shapley
выбирает подмножества для использования, см. «Комплексность вычислений значений Шепли».
Пример: 'MaxNumSubsets',100
Типы данных: single
| double
'Method'
- алгоритм расчета значения Шепли'interventional-kernel'
(по умолчанию) | 'conditional-kernel'
Алгоритм расчета значения Shapley, заданный как 'interventional-kernel'
или 'conditional-kernel'
.
Для получения дополнительной информации об этих алгоритмах см. «Алгоритмы расчета значения Шепли».
Пример: 'Method','conditional-kernel'
Типы данных: char
| string
'UseParallel'
- Флаг для параллельного запускаfalse
(по умолчанию) | true
Флаг для параллельного выполнения, заданный как true
или false
. Если вы задаете 'UseParallel',true
, shapley
функция выполняет обработки в цикле параллельно при помощи parfor
. Для этой опции требуется Parallel Computing Toolbox™.
Пример: 'UseParallel',true
Типы данных: logical
BlackboxModel
- Интерпретируемая модель машинного обученияЭто свойство доступно только для чтения.
Модель машинного обучения, которая будет интерпретирована, задается как объект регрессионной или классификационной модели или указатель на функцию.
The blackbox
аргумент устанавливает это свойство.
BlackboxFitted
- Предсказание для точки запроса, вычисленное моделью машинного обученияЭто свойство доступно только для чтения.
Предсказание для точки запроса, вычисленной моделью машинного обучения (BlackboxModel
), заданная как скаляр.
Если BlackboxModel
является объектом модели, тогда BlackboxFitted
- предсказанный ответ для регрессии или классифицированная метка для классификации.
Если BlackboxModel
является указателем на функцию, затем BlackboxFitted
- значение, возвращаемое указателем на функцию, либо предсказанный ответ для регрессии, либо предсказанный счет одного класса для классификации.
Типы данных: single
| double
| categorical
| logical
| char
| string
| cell
CategoricalPredictors
- Категориальные индексы предиктора[]
Это свойство доступно только для чтения.
Категориальные индексы предиктора, заданные как вектор положительных целых чисел. CategoricalPredictors
содержит значения индекса, соответствующие столбцам данных предиктора, которые содержат категориальные предикторы. Если ни один из предикторов не является категориальным, то это свойство пустое ([]
).
Если вы задаете blackbox
использование указателя на функцию, затем shapley
определяет категориальные предикторы из данных предиктора X
. Если вы задаете 'CategoricalPredictors'
аргумент имя-значение, затем аргумент устанавливает это свойство.
Если вы задаете blackbox
как объект регрессионной или классификационной модели, затем shapley
определяет это свойство при помощи CategoricalPredictors
свойство объекта модели.
shapley
поддерживает упорядоченный категориальный предиктор при blackbox
поддерживает упорядоченные категориальные предикторы и 'Method'
является 'interventional-kernel'
.
Типы данных: single
| double
Method
- алгоритм расчета значения Шепли'interventional-kernel'
| 'conditional-kernel'
Это свойство доступно только для чтения.
Алгоритм расчета значения Shapley, заданный как 'interventional-kernel'
или 'conditional-kernel'
.
The 'Method'
аргумент shapley
или 'Method'
аргумент fit
устанавливает это свойство.
Для получения дополнительной информации об этих алгоритмах см. «Алгоритмы расчета значения Шепли».
Типы данных: char
| string
NumSubsets
- Количество подмножеств предикторовЭто свойство доступно только для чтения.
Количество подмножеств предикторов, используемых для расчета значения Шепли, заданное в виде положительного целого числа.
The 'MaxNumSubsets'
аргумент shapley
или 'MaxNumSubsets'
аргумент fit
устанавливает это свойство.
Для получения дополнительной информации о том, как shapley
выбирает подмножества для использования, см. «Комплексность вычислений значений Шепли».
Типы данных: single
| double
QueryPoint
- Точка запросаЭто свойство доступно только для чтения.
Точка запроса, в которой shapley
объясняет предсказание с помощью значений Шепли (ShapleyValues
), заданная как вектор-строка числовых значений или таблица с одной строкой.
The queryPoint
аргумент shapley
или queryPoint
аргумент fit
устанавливает это свойство.
Типы данных: single
| double
| table
ShapleyValues
- Значения Shapley для точки запросаЭто свойство доступно только для чтения.
Значения Shapley для точки запроса (QueryPoint
), заданная как таблица.
Для регрессии таблица имеет два столбца. Первый столбец содержит имена переменных предиктора, а второй - значения Шепли предикторов.
Для классификации таблица имеет два или более столбцов, в зависимости от количества классов в BlackboxModel
. Первый столбец содержит имена переменных предиктора, а остальные столбцы содержат значения Шепли предикторов для каждого класса.
Типы данных: table
X
- Данные предиктораЭто свойство доступно только для чтения.
Данные предиктора, заданные как числовая матрица или таблица.
Каждая строка X
соответствует одному наблюдению, и каждый столбец соответствует одной переменной.
Если наблюдение содержит NaN
s для непрерывных предикторов и Method
является 'conditional-kernel'
, затем shapley
не использует наблюдение для расчета значения Шепли. В противном случае, shapley
указатели NaN
s в X
так же, как и BlackboxModel
(а predict
функция объекта от BlackboxModel
или указатель на функцию, заданный как BlackboxModel
).
shapley
сохраняет все наблюдения, включая строки с отсутствующими значениями, в этом свойстве.
Типы данных: single
| double
| table
shapley
ОбъектОбучите классификационную модель и создайте shapley
объект. Когда вы создаете shapley
задайте точку запроса, чтобы программа вычисляла значения Shapley для точки запроса. Затем создайте штриховой график значений Шепли с помощью функции объекта plot
.
Загрузите CreditRating_Historical
набор данных. Набор данных содержит идентификаторы клиентов и их финансовые коэффициенты, отраслевые метки и кредитные рейтинги.
tbl = readtable('CreditRating_Historical.dat');
Отобразите первые три строки таблицы.
head(tbl,3)
ans=3×8 table
ID WC_TA RE_TA EBIT_TA MVE_BVTD S_TA Industry Rating
_____ _____ _____ _______ ________ _____ ________ ______
62394 0.013 0.104 0.036 0.447 0.142 3 {'BB'}
48608 0.232 0.335 0.062 1.969 0.281 8 {'A' }
42444 0.311 0.367 0.074 1.935 0.366 1 {'A' }
Обучите модель кредитных рейтингов blackbox при помощи fitcecoc
функция. Используйте переменные со второго по седьмой столбцы в tbl
как переменные предиктора. Рекомендуемая практика состоит в том, чтобы задать имена классов, чтобы задать порядок классов.
blackbox = fitcecoc(tbl,'Rating', ... 'PredictorNames',tbl.Properties.VariableNames(2:7), ... 'CategoricalPredictors','Industry', ... 'ClassNames',{'AAA' 'AA' 'A' 'BBB' 'BB' 'B' 'CCC'});
Создайте shapley
объект, который объясняет предсказание для последнего наблюдения. Задайте точку запроса, чтобы программное обеспечение вычисляло значения Shapley и хранило их в ShapleyValues
свойство.
queryPoint = tbl(end,:)
queryPoint=1×8 table
ID WC_TA RE_TA EBIT_TA MVE_BVTD S_TA Industry Rating
_____ _____ _____ _______ ________ ____ ________ ______
73104 0.239 0.463 0.065 2.924 0.34 2 {'AA'}
explainer = shapley(blackbox,'QueryPoint',queryPoint)
Warning: Computation can be slow because the predictor data has over 1000 observations. Use a smaller sample of the training set or specify 'UseParallel' as true for faster computation.
explainer = shapley with properties: BlackboxModel: [1x1 ClassificationECOC] QueryPoint: [1x8 table] BlackboxFitted: {'AA'} ShapleyValues: [6x8 table] NumSubsets: 64 X: [3932x6 table] CategoricalPredictors: 6 Method: 'interventional-kernel'
Как указывает предупреждающее сообщение, расчет может быть медленным, потому что данные предиктора имеют более 1000 наблюдений. Для более быстрого расчета используйте меньшую выборку набора обучающих данных или задайте 'UseParallel'
как true
.
Для классификационной модели shapley
вычисляет значения Шепли, используя предсказанный счет класса для каждого класса. Отобразите значения в ShapleyValues
свойство.
explainer.ShapleyValues
ans=6×8 table
Predictor AAA AA A BBB BB B CCC
__________ __________ __________ ___________ ___________ ___________ ___________ ___________
"WC_TA" 0.014716 0.0064376 0.0026704 0.00048884 -0.0079014 -0.011841 -0.011395
"RE_TA" 0.047919 0.026918 0.014751 -0.0031481 -0.02512 -0.059926 -0.08418
"EBIT_TA" 0.00034271 0.00015025 0.00011977 3.3903e-05 -0.00018924 -0.00038136 -0.00033784
"MVE_BVTD" 0.38333 0.37376 0.17563 -0.032136 -0.18729 -0.24829 -0.19584
"S_TA" -0.0037304 -0.0026011 -8.8854e-05 -0.00081781 -5.4964e-05 0.00047888 -0.00068999
"Industry" -0.028972 -0.013906 0.0010435 0.023298 0.026474 0.029895 0.045394
The ShapleyValues
свойство содержит значения Shapley всех функций для каждого класса.
Постройте график значений Шепли для предсказанного класса с помощью plot
функция. Чтобы отобразить существующее подчеркивание в любом имени предиктора, измените TickLabelInterpreter
значение осей для 'none'
.
f = figure;
plot(explainer)
f.CurrentAxes.TickLabelInterpreter = 'none';
Горизонтальный столбчатый график показывает значения Шепли для всех переменных, отсортированные по их абсолютным значениям. Каждое значение Шепли объясняет отклонение счета для точки запроса от среднего счета предсказанного класса из-за соответствующей переменной.
shapley
Объект и вычисление значений Shapley с помощью fit
Обучите регрессионую модель и создайте shapley
объект. Когда вы создаете shapley
объект, если вы не задаете точку запроса, то программа не вычисляет значения Shapley. Используйте функцию объекта fit
для вычисления значений Shapley для указанной точки запроса. Затем создайте штриховой график значений Шепли с помощью функции объекта plot
.
Загрузите carbig
набор данных, содержащий измерения автомобилей 1970-х и начала 1980-х годов.
load carbig
Создайте таблицу, содержащую переменные предиктора Acceleration
, Cylinders
, и так далее, а также переменная отклика MPG
.
tbl = table(Acceleration,Cylinders,Displacement,Horsepower,Model_Year,Weight,MPG);
Удаление отсутствующих значений в набор обучающих данных может помочь уменьшить потребление памяти и ускорить обучение для fitrkernel
функция. Удалите отсутствующие значения в tbl
.
tbl = rmmissing(tbl);
Обучите модель blackbox MPG
при помощи fitrkernel
функция
rng('default') % For reproducibility mdl = fitrkernel(tbl,'MPG','CategoricalPredictors',[2 5]);
Создайте shapley
объект. Задайте набор данных tbl
, потому что mdl
не содержит обучающих данных.
explainer = shapley(mdl,tbl)
explainer = shapley with properties: BlackboxModel: [1x1 RegressionKernel] QueryPoint: [] BlackboxFitted: [] ShapleyValues: [] NumSubsets: 64 X: [392x7 table] CategoricalPredictors: [2 5] Method: 'interventional-kernel'
explainer
сохраняет обучающие данные tbl
в X
свойство.
Вычислите значения Шепли всех переменных предиктора для первого наблюдения в tbl
.
queryPoint = tbl(1,:)
queryPoint=1×7 table
Acceleration Cylinders Displacement Horsepower Model_Year Weight MPG
____________ _________ ____________ __________ __________ ______ ___
12 8 307 130 70 3504 18
explainer = fit(explainer,queryPoint);
Для регрессионной модели shapley
вычисляет значения Shapley с помощью предсказанного отклика и сохраняет их в ShapleyValues
свойство. Отобразите значения в ShapleyValues
свойство.
explainer.ShapleyValues
ans=6×2 table
Predictor ShapleyValue
______________ ____________
"Acceleration" -0.1561
"Cylinders" -0.18306
"Displacement" -0.34203
"Horsepower" -0.27291
"Model_Year" -0.2926
"Weight" -0.32402
Отобразите предсказанный ответ для точки запроса и постройте график значений Shapley для точки запроса с помощью plot
функция. Чтобы отобразить существующее подчеркивание в любом имени предиктора, измените TickLabelInterpreter
значение осей для 'none'
.
explainer.BlackboxFitted
ans = 21.0495
f = figure;
plot(explainer)
f.CurrentAxes.TickLabelInterpreter = 'none';
Горизонтальный столбчатый график показывает значения Шепли для всех переменных, отсортированные по их абсолютным значениям. Каждое значение Шепли объясняет отклонение предсказания для точки запроса от среднего значения из-за соответствующей переменной.
Обучите регрессионую модель и создайте shapley
объект с помощью указателя на функцию в predict
функция модели. Используйте функцию объекта fit
для вычисления значений Shapley для указанной точки запроса. Затем постройте график значений Шепли с помощью функции объекта plot
.
Загрузите carbig
набор данных, содержащий измерения автомобилей 1970-х и начала 1980-х годов.
load carbig
Создайте таблицу, содержащую переменные предиктора Acceleration
, Cylinders
и так далее.
tbl = table(Acceleration,Cylinders,Displacement,Horsepower,Model_Year,Weight);
Обучите модель blackbox MPG
при помощи TreeBagger
функция.
rng('default') % For reproducibility Mdl = TreeBagger(100,tbl,MPG,'Method','regression','CategoricalPredictors',[2 5]);
shapley
не поддерживает TreeBagger
объект непосредственно, поэтому вы не можете задать первый входной параметр (модель blackbox) shapley
как TreeBagger
объект. Вместо этого можно использовать указатель на функцию для predict
функция. Можно также задать опции predict
функция, использующая аргументы имя-значение функции.
Создайте указатель на функцию для predict
функция TreeBagger
Mdl объекта
. Задайте массив древовидных индексов, которые будут использоваться в качестве 1:50
.
f = @(tbl) predict(Mdl,tbl,'Trees',1:50);
Создайте shapley
объект с помощью указателя на функцию f
. Когда вы задаете модель blackbox как указатель на функцию, вы должны предоставить данные предиктора. tbl
включает категориальные предикторы (Cylinder
и Model_Year
) с double
тип данных. По умолчанию shapley
не обрабатывает переменные с помощью double
тип данных как категориальные предикторы. Задайте второй (Cylinder
) и пятое (Model_Year
) переменные как категориальные предикторы.
explainer = shapley(f,tbl,'CategoricalPredictors',[2 5]);
explainer = fit(explainer,tbl(1,:));
Постройте график значений Шепли.
plot(explainer)
Отобразите имена предикторов в порядке важности.
tbl.Properties.VariableNames([3 2 6 4 5 1])
ans = 1x6 cell
Columns 1 through 4
{'Displacement'} {'Cylinders'} {'Weight'} {'Horsepower'}
Columns 5 through 6
{'Model_Year'} {'Acceleration'}
В теории игр значение Шепли игрока является средним предельным вкладом игрока в кооперативную игру. В контексте предсказания машинного обучения значение Шепли функции для точки запроса объясняет вклад функции в предсказание (ответ на регрессию или счет каждого класса для классификации) в заданной точке запроса.
Значение Шепли соответствует отклонению предсказания для точки запроса от среднего предсказания из-за функции. Для точки запроса сумма значений Shapley для всех функций соответствует общему отклонению предсказания от среднего значения.
Для получения дополнительной информации смотрите Значения Shapley для модели машинного обучения.
[1] Лундберг, Скотт М. и С. Ли. «Единый подход к интерпретации модельных Предсказаний». Усовершенствования в нейронных системах обработки информации 30 (2017): 4765-774.
[2] Аас, Кьерсти, Мартин. Джуллум и Андерс Лёланд. «Объяснение индивидуальных предсказаний, когда функции зависимы: более точные приближения к значениям Шепли». arXiv:1903.10464 (2019).
Чтобы запустить параллельно, установите 'UseParallel'
аргумент имя-значение в true
в вызове этой функции.
Для получения дополнительной общей информации о параллельных вычислениях смотрите Запуск функций MATLAB с поддержкой автоматических параллелей (Parallel Computing Toolbox).
У вас есть измененная версия этого примера. Вы хотите открыть этот пример с вашими правками?
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.