scoring_explainer Paket

Definiert Bewertungsmodelle zum Animieren von Feature-Wichtigkeitswerten.

Klassen

DeepScoringExplainer	Definiert ein Bewertungsmodell basierend auf DeepExplainer. Wenn der ursprüngliche Erklärungser eine SHAP DeepExplainer verwendet und keine Initialisierungsdaten übergeben wurden, wird der Kern des ursprünglichen Erklärungers wiederverwendet. Wenn der ursprüngliche Erklärer eine andere Methode oder neue Initialisierungsdaten verwendet hat, wird unter initialization_examples ein neuer Erklärer erstellt. 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 deepScoringExplainer. Wenn der ursprüngliche Erklärungser eine SHAP DeepExplainer verwendet und keine Initialisierungsdaten übergeben wurden, wird der Kern des ursprünglichen Erklärungers wiederverwendet. Wenn der ursprüngliche Erklärer eine andere Methode oder neue Initialisierungsdaten verwendet hat, wird unter initialization_examples ein neuer Erklärer erstellt. 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.
KernelScoringExplainer	Definiert ein Bewertungsmodell basierend auf KernelExplainer. Wenn der ursprüngliche Erklärungser einen SHAP KernelExplainer verwendet und keine Initialisierungsdaten übergeben wurden, wird der Kern des ursprünglichen Erklärungers wiederverwendet. Wenn der ursprüngliche Erklärer eine andere Methode oder neue Initialisierungsdaten verwendet hat, wird unter initialization_examples ein neuer Erklärer erstellt. 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 den KernelScoringExplainer. Wenn der ursprüngliche Erklärungser einen SHAP KernelExplainer verwendet und keine Initialisierungsdaten übergeben wurden, wird der Kern des ursprünglichen Erklärungers wiederverwendet. Wenn der ursprüngliche Erklärer eine andere Methode oder neue Initialisierungsdaten verwendet hat, wird unter initialization_examples ein neuer Erklärer erstellt. 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.
LinearScoringExplainer	Definiert ein Bewertungsmodell basierend auf LinearExplainer. Wenn der ursprüngliche Erklärungser eine SHAP LinearExplainer verwendet und keine Initialisierungsdaten übergeben wurden, wird der Kern des ursprünglichen Erklärungers wiederverwendet. Wenn der ursprüngliche Erklärer eine andere Methode oder neue Initialisierungsdaten verwendet hat, wird unter initialization_examples ein neuer Erklärer erstellt. 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 LinearScoringExplainer. Wenn der ursprüngliche Erklärungser eine SHAP LinearExplainer verwendet und keine Initialisierungsdaten übergeben wurden, wird der Kern des ursprünglichen Erklärungers wiederverwendet. Wenn der ursprüngliche Erklärer eine andere Methode oder neue Initialisierungsdaten verwendet hat, wird unter initialization_examples ein neuer Erklärer erstellt. 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.
ScoringExplainer	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.
TreeScoringExplainer	Definiert ein Bewertungsmodell basierend auf TreeExplainer. Wenn der ursprüngliche Erklärungser einen SHAP TreeExplainer verwendet hat, wird der Kern des ursprünglichen Erklärungselements wiederverwendet. Wenn der ursprüngliche Erklärungser eine andere Methode verwendet hat, wird ein neuer Erklärer erstellt. 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 den TreeScoringExplainer. Wenn der ursprüngliche Erklärungser einen SHAP TreeExplainer verwendet hat, wird der Kern des ursprünglichen Erklärungselements wiederverwendet. Wenn der ursprüngliche Erklärungser eine andere Methode verwendet hat, wird ein neuer Erklärer erstellt. 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.

Functions

load

Laden Sie den Bewertungserklärer vom Datenträger.

load(directory)

Parameter

Name	Beschreibung
directory Erforderlich	str Das Verzeichnis, unter dem der serialisierte Erklärungser gespeichert wird. Geht davon aus, dass scoring_explainer.pkl auf der obersten Ebene des Verzeichnisses verfügbar ist.

Gibt zurück

Typ	Beschreibung
ScoringExplainer	Der Bewertungserklärer aus einer Erklärung, die vom Datenträger geladen wurde.

save

Speichern Sie den Bewertungserklärer auf dem Datenträger.

save(scoring_explainer, directory='.', exist_ok=False)

Parameter

Name	Beschreibung
scoring_explainer Erforderlich	Das Bewertungserklärobjekt, das gespeichert werden soll. Der Erklärungser wird in [directory]/scoring_explainer.pkl geschrieben.
directory	str Das Verzeichnis, unter dem der serialisierte Erklärungser gespeichert werden soll. Wenn das Verzeichnis nicht vorhanden ist, wird es erstellt. Standardwert: .
exist_ok	bool Wenn "False" (Standardstatus) ausgelöst wird, wird eine Warnung ausgelöst, wenn das angegebene Verzeichnis bereits vorhanden ist. Wenn True, wird das aktuelle Verzeichnis verwendet, und alle überlappenden Inhalte werden überschrieben. Standardwert: False

Gibt zurück

Typ	Beschreibung
str	Der Pfad zur Auswahldatei für die Bewertungserklärung.