ScoringExplainer Clase

Define un modelo de puntuación.

Si las transformaciones se pasaron en original_explainer, esas transformaciones se llevarán al explicador de puntuación, esperará datos sin procesar y, de forma predeterminada, se devolverán las importanciaes de 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 forma 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 de explicación del explicador.

Inicialice scoringExplainer.

Si las transformaciones se pasaron en original_explainer, esas transformaciones se llevarán al explicador de puntuación, esperará datos sin procesar y, de forma predeterminada, se devolverán las importanciaes de 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 forma 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 de explicación del explicador.

Constructor

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

Parámetros

Nombre	Description
original_explainer Requerido	<xref:interpret_community.common.base_explainer.BaseExplainer> El explicador de tiempo de entrenamiento que se usó originalmente para explicar el modelo.
feature_maps	list[ndarray] o list[csr_matrix] Una lista de asignaciones de características de sin procesar a una característica generada. La lista puede ser matrices numpy o matrices dispersas donde cada entrada de matriz (raw_index, generated_index) es el peso de cada par de características sin procesar generado. Las otras entradas se establecen en cero. Para una secuencia de transformaciones [t1, t2, ..., tn] que genera características generadas a partir de características sin procesar, la lista de asignaciones de características corresponde a las asignaciones sin procesar a las asignaciones generadas en el mismo orden que t1, t2, etc. Si el mapa general de características sin procesar al generado de t1 a tn está disponible, solo se puede pasar ese mapa de características en una sola lista de elementos. Valor predeterminado: None
raw_features	list[str] 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. Valor predeterminado: None
engineered_features	list[str] 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. Valor predeterminado: None
original_explainer Requerido	<xref:interpret_community.common.base_explainer.BaseExplainer> El explicador de tiempo de entrenamiento que se usó originalmente para explicar el modelo.
feature_maps Requerido	list[ndarray] o list[csr_matrix] Una lista de asignaciones de características de sin procesar a una característica generada. La lista puede ser matrices numpy o matrices dispersas donde cada entrada de matriz (raw_index, generated_index) es el peso de cada par de características sin procesar generado. Las otras entradas se establecen en cero. Para una secuencia de transformaciones [t1, t2, ..., tn] que genera características generadas a partir de características sin procesar, la lista de asignaciones de características corresponde a las asignaciones sin procesar a las asignaciones generadas en el mismo orden que t1, t2, etc. Si el mapa general de características sin procesar al generado de t1 a tn está disponible, solo se puede pasar ese mapa de características en una sola lista de elementos.
raw_features Requerido	list[str] 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 Requerido	list[str] 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	Use el modelo para puntuar para aproximar los valores de importancia de características de los datos.
fit	Implemente el método ficticio necesario para ajustar la interfaz de canalización scikit-learn.
predict	Use el modelo treeExplainer y tree para puntuar para obtener los valores de importancia de las características de los datos. Ajusta la función .explain().

explain

Use el modelo para puntuar para aproximar los valores de importancia de características de los datos.

abstract explain(evaluation_examples, get_raw)

Parámetros

Nombre	Description
evaluation_examples Requerido	array o DataFrame o csr_matrix Matriz de ejemplos de vectores de características (ejemplos de x # características) en la que se explica la salida del modelo.
get_raw Requerido	bool Si es True, se devolverán valores de importancia para las características sin procesar. Si es False, se devolverán valores de importancia para las características diseñadas. Si se pasaron transformaciones y no especificadas al explicador original, se devolverán los valores de importancia sin procesar. Si no se especifica y feature_maps se pasó al explicador de puntuación, se devolverán los valores de importancia diseñados.

Devoluciones

Tipo	Description
list	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 de características de x #).

fit

Implemente el método ficticio necesario para ajustar la interfaz de canalización scikit-learn.

fit(X, y=None)

Parámetros

Nombre	Description
X Requerido	Datos de entrenamiento.
y	Destinos de entrenamiento. Valor predeterminado: None

predict

Use el modelo treeExplainer y tree para puntuar para obtener los valores de importancia de las características de los datos.

Ajusta la función .explain().

predict(evaluation_examples)

Parámetros

Nombre	Description
evaluation_examples Requerido	array o DataFrame o csr_matrix Matriz de ejemplos de vectores de características (ejemplos de x # características) en la que se explica la salida del modelo.

Devoluciones

Tipo	Description
list	Para un modelo con una salida única, 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 de características de x #).

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 que se le pasaron, las características diseñadas deberán pasarse al constructor del explicador de puntuación mediante el parámetro engineered_features. De lo contrario, si los mapas de características se pasaron al explicador de puntuación, las características diseñadas serán las mismas que las características.

Devoluciones

Tipo	Description
list[str], None	Los nombres de características diseñadas o Ninguno si el usuario no ha proporcionado ninguno.

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

Tipo	Description
list[str], None	Los nombres de características o Ninguno si el usuario no ha proporcionado ninguno.

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

Tipo	Description
list[str], None	Los nombres de características sin procesar o Ninguno si el usuario no ha proporcionado ninguno.