ScoringExplainer Clase
Define un modelo de puntuación.
Si las transformaciones se pasaron en original_explainer, esas transformaciones se llevarán al explicador de puntuación, esperarán datos sin procesar y, de manera predeterminada, se devolverán las importancias para las características sin procesar. Si feature_maps se pasan aquí (NO está pensado para usarse al mismo tiempo que las transformaciones), el explicador esperará datos transformados y, de manera predeterminada, se devolverán las importancias para los datos transformados. En cualquier caso, la salida se puede especificar estableciendo get_raw explícitamente en True o False en el método explain del explicador.
Inicialice scoringExplainer.
Si las transformaciones se pasaron en original_explainer, esas transformaciones se llevarán al explicador de puntuación, esperarán datos sin procesar y, de manera predeterminada, se devolverán las importancias para las características sin procesar. Si feature_maps se pasan aquí (NO está pensado para usarse al mismo tiempo que las transformaciones), el explicador esperará datos transformados y, de manera predeterminada, se devolverán las importancias para los datos transformados. En cualquier caso, la salida se puede especificar estableciendo get_raw explícitamente en True o False en el método explain del explicador.
- Herencia
-
azureml._logging.chained_identity.ChainedIdentityScoringExplainer
Constructor
ScoringExplainer(original_explainer, feature_maps=None, raw_features=None, engineered_features=None, **kwargs)
Parámetros
- original_explainer
- <xref:interpret_community.common.base_explainer.BaseExplainer>
Explicación del tiempo de entrenamiento que se usó originalmente para explicar el modelo.
- feature_maps
- list[ndarray] o list[csr_matrix]
Lista de asignaciones de características sin procesar a características generadas. La lista puede ser una lista de matrices numpy o matrices dispersas donde cada entrada de matriz (raw_index, generated_index) es la ponderación de cada par de características sin procesar y generada. Las demás entradas se establecen en cero. Para una secuencia de transformaciones [t1, t2, ..., tn] que generan características generadas a partir de características sin procesar, la lista de asignaciones de características corresponde a las asignaciones de sin procesar a generadas en el mismo orden que t1, t2, etc. Si la asignación general de características de sin procesar a generada de t1 a tn está disponible, solo se puede pasar esa asignación de características en una lista de elementos únicos.
Lista opcional de nombres de características para las características sin procesar que se pueden especificar si el explicador original calcula la explicación en las características diseñadas.
Lista opcional de nombres de características para las características diseñadas que se pueden especificar si el explicador original tiene transformaciones pasadas y solo calcula las importancias en las características sin procesar.
- original_explainer
- <xref:interpret_community.common.base_explainer.BaseExplainer>
Explicación del tiempo de entrenamiento que se usó originalmente para explicar el modelo.
- feature_maps
- list[ndarray] o list[csr_matrix]
Lista de asignaciones de características sin procesar a características generadas. La lista puede ser una lista de matrices numpy o matrices dispersas donde cada entrada de matriz (raw_index, generated_index) es la ponderación de cada par de características sin procesar y generada. Las demás entradas se establecen en cero. Para una secuencia de transformaciones [t1, t2, ..., tn] que generan características generadas a partir de características sin procesar, la lista de asignaciones de características corresponde a las asignaciones de sin procesar a generadas en el mismo orden que t1, t2, etc. Si la asignación general de características de sin procesar a generada de t1 a tn está disponible, solo se puede pasar esa asignación de características en una lista de elementos únicos.
Lista opcional de nombres de características para las características sin procesar que se pueden especificar si el explicador original calcula la explicación en las características diseñadas.
Lista opcional de nombres de características para las características diseñadas que se pueden especificar si el explicador original tiene transformaciones pasadas y solo calcula las importancias en las características sin procesar.
Métodos
explain |
Usa el modelo para puntuar para aproximar los valores de importancia de las características de los datos. |
fit |
Implementa el método ficticio necesario para ajustarse a la interfaz de canalización scikit-learn. |
predict |
Use el modelo TreeExplainer y tree para que la puntuación obtenga los valores de importancia de las características de los datos. Encapsula la función .explain(). |
explain
Usa el modelo para puntuar para aproximar los valores de importancia de las características de los datos.
abstract explain(evaluation_examples, get_raw)
Parámetros
- evaluation_examples
- array o DataFrame o csr_matrix
Matriz de ejemplos de vectores de características (n.º de ejemplos x n.º de características) en los que se explica la salida del modelo.
- get_raw
- bool
Si es True, se devolverán los valores de importancia de las características sin procesar. Si es False, se devolverán los valores de importancia de las características diseñadas. Si no se especifica y las transformaciones se pasaron al explicador original, se devolverán los valores de importancias sin procesar. Si no se especifica y se pasa feature_maps en el explicador de puntuación, se devolverán los valores de importancia diseñados.
Devoluciones
Para un modelo con una única salida, como la regresión, este método devuelve una matriz de valores de importancia de características. Para los modelos con salidas vectoriales, esta función devuelve una lista de estas matrices, una para cada salida. La dimensión de esta matriz es (# ejemplos x # características).
Tipo de valor devuelto
fit
Implementa el método ficticio necesario para ajustarse a la interfaz de canalización scikit-learn.
fit(X, y=None)
Parámetros
- X
Datos de entrenamiento.
- y
Objetivos del entrenamiento.
predict
Use el modelo TreeExplainer y tree para que la puntuación obtenga los valores de importancia de las características de los datos.
Encapsula la función .explain().
predict(evaluation_examples)
Parámetros
- evaluation_examples
- array o DataFrame o csr_matrix
Matriz de ejemplos de vectores de características (n.º de ejemplos x n.º de características) en los que se explica la salida del modelo.
Devoluciones
Para un modelo con una única salida, como la regresión, devuelve una matriz de valores de importancia de características. Para los modelos con salidas vectoriales, esta función devuelve una lista de estas matrices, una para cada salida. La dimensión de esta matriz es (# ejemplos x # características).
Tipo de valor devuelto
Atributos
engineered_features
Obtenga los nombres de características diseñados correspondientes al parámetro get_raw=False en la llamada de explicación.
Si el explicador original tenía transformaciones pasadas, las características diseñadas deberán pasarse al constructor del explicador de puntuación mediante el parámetro engineered_features. De lo contrario, si se pasaron asignaciones de características al explicador de puntuación, las características diseñadas serán las mismas que las características.
Devoluciones
Los nombres de características diseñadas o Ninguno si el usuario no ha proporcionado ninguno.
Tipo de valor devuelto
features
Obtenga los nombres de las características.
Devuelve los nombres de características predeterminados si no se especifica get_raw en la llamada de explicación.
Devoluciones
Los nombres de características o ninguno si el usuario no ha dado ninguno.
Tipo de valor devuelto
raw_features
Obtenga los nombres de características sin procesar correspondientes al parámetro get_raw=True en la llamada de explicación.
Si el explicador original no tenía transformaciones pasadas y feature_maps se han pasado al explicador de puntuación, los nombres de características sin procesar deben pasarse al constructor del explicador de puntuación mediante el parámetro raw_features. De lo contrario, las características sin procesar serán las mismas que las características.
Devoluciones
Nombres de características sin procesar o Ninguno si el usuario no le ha proporcionado ninguno.
Tipo de valor devuelto
Comentarios
https://aka.ms/ContentUserFeedback.
Próximamente: A lo largo de 2024 iremos eliminando gradualmente GitHub Issues como mecanismo de comentarios sobre el contenido y lo sustituiremos por un nuevo sistema de comentarios. Para más información, vea:Enviar y ver comentarios de