Exponenta Banner

Interpretability

Обучите поддающиеся толкованию модели классификации и интерпретируйте комплексные модели классификации

Используйте по сути поддающиеся толкованию модели классификации, такие как линейные модели, деревья решений, и обобщил аддитивные модели, или используйте функции interpretability, чтобы интерпретировать комплексные модели классификации, которые не являются по сути поддающимися толкованию.

Чтобы изучить, как интерпретировать модели классификации, смотрите, Интерпретируют Модели Машинного обучения.

Функции

развернуть все

Локальные поддающиеся толкованию объяснения модели агностические (LIME)

limeЛокальные поддающиеся толкованию объяснения модели агностические (LIME)
fitПодбирайте простую модель локальных поддающихся толкованию объяснений модели агностических (LIME)
plotПостройте результаты локальных поддающихся толкованию объяснений модели агностических (LIME)

Шепли оценивает

shapleyШепли оценивает
fitВычислите значения Шепли для точки запроса
plotПостройте значения Шепли

Частичная зависимость

partialDependenceВычислите частичную зависимость
plotPartialDependenceСоздайте графики отдельного условного ожидания (ICE) и частичный график зависимости (PDP)
fitcgamПодходящая обобщенная аддитивная модель (GAM) для бинарной классификации
fitclinearСоответствуйте бинарному линейному классификатору к высоко-размерным данным
fitctreeПодходящее дерево выбора из двух альтернатив для классификации мультиклассов

Объекты

ClassificationGAMОбобщенная аддитивная модель (GAM) для бинарной классификации
ClassificationLinearЛинейная модель для бинарной классификации высоко-размерных данных
ClassificationTreeДерево выбора из двух альтернатив для классификации мультиклассов

Темы

Интерпретация модели

Интерпретируйте модели машинного обучения

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

Шепли оценивает за модель машинного обучения

Вычислите значения Шепли для машинного обучения, моделируют использование двух алгоритмов: kernelSHAP и расширение kernelSHAP.

Введение в выбор признаков

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

Поддающиеся толкованию модели

Обучите обобщенную аддитивную модель бинарной классификации

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

Обучите деревья решений Используя приложение Classification Learner

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

Классификация Используя самых близких соседей

Категоризируйте точки данных на основе их расстояния до точек в обучающем наборе данных, с помощью множества метрик расстояния.

Документация Statistics and Machine Learning Toolbox

Поддержка