ScoringExplainer Klasse

Definiert ein Bewertungsmodell.

Wenn Transformationen an original_explainer übergeben wurden, werden diese Transformationen an den Bewertungserklärer übertragen, es werden Rohdaten erwartet, und standardmäßig werden Wichtigkeiten für unformatierte Features zurückgegeben. Wenn feature_maps hier übergeben werden (NICHT zur gleichen Zeit wie Transformationen verwendet werden sollen), erwartet der Erklärer transformierte Daten und wird standardmäßig für transformierte Daten zurückgegeben. In beiden Fällen kann die Ausgabe angegeben werden, indem sie get_raw explizit auf "True" oder "False" der Erklärungsmethode des Erklärenden festlegen.

Initialisieren Sie die ScoringExplainer.

Wenn Transformationen an original_explainer übergeben wurden, werden diese Transformationen an den Bewertungserklärer übertragen, es werden Rohdaten erwartet, und standardmäßig werden Wichtigkeiten für unformatierte Features zurückgegeben. Wenn feature_maps hier übergeben werden (NICHT zur gleichen Zeit wie Transformationen verwendet werden sollen), erwartet der Erklärer transformierte Daten und wird standardmäßig für transformierte Daten zurückgegeben. In beiden Fällen kann die Ausgabe angegeben werden, indem sie get_raw explizit auf "True" oder "False" der Erklärungsmethode des Erklärenden festlegen.

Konstruktor

ScoringExplainer(original_explainer, feature_maps=None, raw_features=None, engineered_features=None, **kwargs)

Parameter

Name	Beschreibung
original_explainer Erforderlich	<xref:interpret_community.common.base_explainer.BaseExplainer> Der Schulungszeiterklärer, der ursprünglich zur Erläuterung des Modells verwendet wurde.
feature_maps	list[ndarray] oder list[csr_matrix] Eine Liste der Featurezuordnungen von unformatiertem zu generiertem Feature. Die Liste kann numpy Arrays oder geringe Matrizen sein, wobei jeder Arrayeintrag (raw_index, generated_index) die Gewichtung für jedes unformatierte, generierte Featurepaar ist. Die anderen Einträge werden auf Null festgelegt. Für eine Sequenz von Transformationen [t1, t2, ..., tn] generierte Features aus unformatierten Features, entspricht die Liste der Featurezuordnungen dem Rohformat generierten Karten in der gleichen Reihenfolge wie t1, t2 usw. Wenn die gesamte rohe zu generierte Featurezuordnung von t1 bis tn verfügbar ist, kann nur diese Featurezuordnung in einer einzelnen Elementliste übergeben werden. Standardwert: None
raw_features	list[str] Optionale Liste der Featurenamen für die unformatierten Features, die angegeben werden können, wenn der ursprüngliche Erklärungser die Erklärung für die technischen Features berechnet. Standardwert: None
engineered_features	list[str] Optionale Liste der Featurenamen für die entwickelten Features, die angegeben werden können, wenn der ursprüngliche Erklärungser Transformationen enthält und nur die Wichtigkeiten für die unformatierten Features berechnet. Standardwert: None
original_explainer Erforderlich	<xref:interpret_community.common.base_explainer.BaseExplainer> Der Schulungszeiterklärer, der ursprünglich zur Erläuterung des Modells verwendet wurde.
feature_maps Erforderlich	list[ndarray] oder list[csr_matrix] Eine Liste der Featurezuordnungen von unformatiertem zu generiertem Feature. Die Liste kann numpy Arrays oder geringe Matrizen sein, wobei jeder Arrayeintrag (raw_index, generated_index) die Gewichtung für jedes unformatierte, generierte Featurepaar ist. Die anderen Einträge werden auf Null festgelegt. Für eine Sequenz von Transformationen [t1, t2, ..., tn] generierte Features aus unformatierten Features, entspricht die Liste der Featurezuordnungen dem Rohformat generierten Karten in der gleichen Reihenfolge wie t1, t2 usw. Wenn die gesamte rohe zu generierte Featurezuordnung von t1 bis tn verfügbar ist, kann nur diese Featurezuordnung in einer einzelnen Elementliste übergeben werden.
raw_features Erforderlich	list[str] Optionale Liste der Featurenamen für die unformatierten Features, die angegeben werden können, wenn der ursprüngliche Erklärungser die Erklärung für die technischen Features berechnet.
engineered_features Erforderlich	list[str] Optionale Liste der Featurenamen für die entwickelten Features, die angegeben werden können, wenn der ursprüngliche Erklärungser Transformationen enthält und nur die Wichtigkeiten für die unformatierten Features berechnet.

Methoden

explain	Verwenden Sie das Modell zum Bewerten, um die Werte der Feature-Wichtigkeit von Daten anzunähern.
fit	Implementieren Sie dummy-Methode, die erforderlich ist, um die Scikit-Learn-Pipelineschnittstelle anzupassen.
predict	Verwenden Sie das TreeExplainer- und Strukturmodell, um die Werte der Feature-Wichtigkeit von Daten abzurufen. Umschließt die .explain()-Funktion.

explain

Verwenden Sie das Modell zum Bewerten, um die Werte der Feature-Wichtigkeit von Daten anzunähern.

abstract explain(evaluation_examples, get_raw)

Parameter

Name	Beschreibung
evaluation_examples Erforderlich	array oder DataFrame oder csr_matrix Eine Matrix von Featurevektorbeispielen (# Beispiele x #-Features), für die die Ausgabe des Modells erläutert werden soll.
get_raw Erforderlich	bool Wenn True, werden Wichtigkeitswerte für unformatierte Features zurückgegeben. Wenn False, werden Wichtigkeitswerte für technische Features zurückgegeben. Wenn nicht angegeben und Transformationen an den ursprünglichen Erklärungser übergeben wurden, werden Unformatierte Wichtigkeitswerte zurückgegeben. Wenn nicht angegeben und feature_maps an den Bewertungserklärer übergeben wurde, werden technische Wichtigkeitswerte zurückgegeben.

Gibt zurück

Typ	Beschreibung
list	Bei einem Modell mit einer einzelnen Ausgabe wie Regression gibt diese Methode eine Matrix von Feature-Wichtigkeitswerten zurück. Bei Modellen mit Vektorausgabe gibt diese Funktion eine Liste solcher Matrizen zurück, eine für jede Ausgabe. Die Dimension dieser Matrix ist (# Beispiele x # Features).

fit

Implementieren Sie dummy-Methode, die erforderlich ist, um die Scikit-Learn-Pipelineschnittstelle anzupassen.

fit(X, y=None)

Parameter

Name	Beschreibung
X Erforderlich	Schulungsdaten.
y	Schulungsziele. Standardwert: None

predict

Verwenden Sie das TreeExplainer- und Strukturmodell, um die Werte der Feature-Wichtigkeit von Daten abzurufen.

Umschließt die .explain()-Funktion.

predict(evaluation_examples)

Parameter

Name	Beschreibung
evaluation_examples Erforderlich	array oder DataFrame oder csr_matrix Eine Matrix von Featurevektorbeispielen (# Beispiele x #-Features), für die die Ausgabe des Modells erläutert werden soll.

Gibt zurück

Typ	Beschreibung
list	Bei einem Modell mit einer einzelnen Ausgabe, z. B. Regression, gibt dies eine Matrix von Feature-Wichtigkeitswerten zurück.For a model with a single output such as regression, this returns a matrix of feature importance values. Bei Modellen mit Vektorausgabe gibt diese Funktion eine Liste solcher Matrizen zurück, eine für jede Ausgabe. Die Dimension dieser Matrix ist (# Beispiele x # Features).

Attribute

engineered_features

Rufen Sie die engineeringed Featurenamen ab, die dem get_raw=False-Parameter entsprechen, um den Aufruf zu erläutern.

Wenn der ursprüngliche Erklärungser Transformationen an ihn übergeben hat, müssen die entwickelten Features mithilfe des engineered_features-Parameters an den Bewertungserklärerkonstruktor übergeben werden. Andernfalls, wenn Featurezuordnungen an den Bewertungserklärer übergeben wurden, sind die entwickelten Features identisch mit den Features.

Gibt zurück

Typ	Beschreibung
list[str], None	Die Namen der entwickelten Features oder "None", wenn vom Benutzer keines angegeben wurde.

features

Rufen Sie die Featurenamen ab.

Gibt die Standardfunktionsnamen zurück, wenn get_raw beim Erläutern des Aufrufs nicht angegeben ist.

Gibt zurück

Typ	Beschreibung
list[str], None	Die Featurenamen oder "Keine", wenn vom Benutzer keine angegeben wurden.

raw_features

Rufen Sie die unformatierten Featurenamen ab, die dem get_raw=True-Parameter entsprechen, um den Aufruf zu erläutern.

Wenn der ursprüngliche Erklärungser keine Transformationen an ihn übergeben hat und feature_maps an den Bewertungserklärer übergeben wurden, müssen die Namen der unformatierten Features mithilfe des raw_features-Parameters an den Bewertungserklärerkonstruktor übergeben werden. Andernfalls sind die unformatierten Features identisch mit den Features.

Gibt zurück

Typ	Beschreibung
list[str], None	Die Namen der unformatierten Features oder "None", wenn vom Benutzer keine angegeben wurden.