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.ChainedIdentity

ScoringExplainer

Constructor

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

Parámetros

original_explainer

<xref:interpret_community.common.base_explainer.BaseExplainer>

Requerido

Explicación del tiempo de entrenamiento que se usó originalmente para explicar el modelo.

feature_maps

list[ndarray] o list[csr_matrix]

valor predeterminado: None

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.

raw_features

list[str]

valor predeterminado: None

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.

engineered_features

list[str]

valor predeterminado: None

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>

Requerido

Explicación del tiempo de entrenamiento que se usó originalmente para explicar el modelo.

feature_maps

list[ndarray] o list[csr_matrix]

Requerido

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.

raw_features

list[str]

Requerido

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.

engineered_features

list[str]

Requerido

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

Requerido

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

Requerido

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

list

fit

Implementa el método ficticio necesario para ajustarse a la interfaz de canalización scikit-learn.

fit(X, y=None)

Parámetros

X

Requerido

Datos de entrenamiento.

y

valor predeterminado: None

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

Requerido

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

list

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

list[str],

None

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

list[str],

None

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

list[str],

None