ScoringExplainer Kelas
Menentukan model penilaian.
Jika transformations diteruskan pada original_explainer, transformasi tersebut akan dibawa ke penjelas penilaian, itu akan mengharapkan data mentah, dan secara default pentingnya akan dikembalikan untuk fitur mentah. Jika feature_maps diteruskan di sini (TIDAK dimaksudkan untuk digunakan bersamaan dengan transformations), penjelas akan mengharapkan data yang ditransformasi, dan secara default pentingnya akan dikembalikan untuk data yang ditransformasi. Dalam kedua kasus tersebut, output dapat ditentukan dengan mengatur get_raw secara eksplisit ke True atau False pada metode explain penjelas.
Inisialisasi ScoringExplainer.
Jika transformations diteruskan pada original_explainer, transformasi tersebut akan dibawa ke penjelas penilaian, itu akan mengharapkan data mentah, dan secara default pentingnya akan dikembalikan untuk fitur mentah. Jika feature_maps diteruskan di sini (TIDAK dimaksudkan untuk digunakan bersamaan dengan transformations), penjelas akan mengharapkan data yang ditransformasi, dan secara default pentingnya akan dikembalikan untuk data yang ditransformasi. Dalam kedua kasus tersebut, output dapat ditentukan dengan mengatur get_raw secara eksplisit ke True atau False pada metode explain penjelas.
- Warisan
-
azureml._logging.chained_identity.ChainedIdentityScoringExplainer
Konstruktor
ScoringExplainer(original_explainer, feature_maps=None, raw_features=None, engineered_features=None, **kwargs)
Parameter
- original_explainer
- <xref:interpret_community.common.base_explainer.BaseExplainer>
Penjelas waktu pelatihan awalnya digunakan untuk menjelaskan model.
- feature_maps
- list[ndarray] atau list[csr_matrix]
Daftar peta fitur dari fitur mentah hingga fitur yang dihasilkan. Daftar tersebut dapat berupa array numpy atau matriks rongga di mana setiap entri array (raw_index, generated_index) adalah bobot untuk setiap pasangan fitur mentah yang dihasilkan. Entri lainnya diatur ke nol. Untuk urutan transformasi [t1, t2, ..., tn] menghasilkan fitur yang dihasilkan dari fitur mentah, daftar peta fitur sesuai dengan peta mentah ke peta yang dihasilkan dalam urutan yang sama seperti t1, t2, dll. Jika peta fitur mentah hingga yang dihasilkan secara keseluruhan dari t1 ke tn tersedia, hanya peta fitur dalam daftar elemen tunggal yang bisa diteruskan.
Daftar opsional nama fitur untuk fitur mentah yang dapat ditentukan jika penjelas asli menghitung penjelasan tentang fitur rekayasa.
Daftar opsional nama fitur untuk fitur rekayasa yang dapat ditentukan jika penjelas asli memiliki transformasi yang diteruskan dan hanya menghitung kepentingan pada fitur mentah.
- original_explainer
- <xref:interpret_community.common.base_explainer.BaseExplainer>
Penjelas waktu pelatihan awalnya digunakan untuk menjelaskan model.
- feature_maps
- list[ndarray] atau list[csr_matrix]
Daftar peta fitur dari fitur mentah hingga fitur yang dihasilkan. Daftar tersebut dapat berupa array numpy atau matriks rongga di mana setiap entri array (raw_index, generated_index) adalah bobot untuk setiap pasangan fitur mentah yang dihasilkan. Entri lainnya diatur ke nol. Untuk urutan transformasi [t1, t2, ..., tn] menghasilkan fitur yang dihasilkan dari fitur mentah, daftar peta fitur sesuai dengan peta mentah ke peta yang dihasilkan dalam urutan yang sama seperti t1, t2, dll. Jika peta fitur mentah hingga yang dihasilkan secara keseluruhan dari t1 ke tn tersedia, hanya peta fitur dalam daftar elemen tunggal yang bisa diteruskan.
Daftar opsional nama fitur untuk fitur mentah yang dapat ditentukan jika penjelas asli menghitung penjelasan tentang fitur rekayasa.
Daftar opsional nama fitur untuk fitur rekayasa yang dapat ditentukan jika penjelas asli memiliki transformasi yang diteruskan dan hanya menghitung kepentingan pada fitur mentah.
Metode
explain |
Gunakan model untuk penilaian guna memperkirakan nilai penting fitur data. |
fit |
Terapkan metode dummy yang diperlukan agar sesuai dengan antarmuka alur scikit-learn. |
predict |
Gunakan TreeExplainer dan model pohon untuk penilaian guna mendapatkan nilai penting fitur dari data. Membungkus fungsi .explain(). |
explain
Gunakan model untuk penilaian guna memperkirakan nilai penting fitur data.
abstract explain(evaluation_examples, get_raw)
Parameter
- evaluation_examples
- array atau DataFrame atau csr_matrix
Matriks contoh vektor fitur (# contoh x # fitur) untuk menjelaskan output model.
- get_raw
- bool
Jika True, nilai kepentingan untuk fitur mentah akan dikembalikan. Jika False, nilai kepentingan untuk fitur yang direkayasa akan dikembalikan. Jika tidak ditentukan dan transformations diteruskan ke penjelas asli, nilai penting mentah akan dikembalikan. Jika tidak ditentukan dan feature_maps diteruskan ke penjelas penilaian, nilai penting yang direkayasa akan dikembalikan.
Mengembalikan
Untuk model dengan satu output seperti regresi, metode ini mengembalikan matriks nilai penting fitur. Untuk model dengan output vektor, fungsi ini mengembalikan daftar matriks tersebut, satu untuk setiap output. Dimensi matriks ini adalah (# contoh x # fitur).
Tipe hasil
fit
Terapkan metode dummy yang diperlukan agar sesuai dengan antarmuka alur scikit-learn.
fit(X, y=None)
Parameter
- X
Data pelatihan.
- y
Target pelatihan.
predict
Gunakan TreeExplainer dan model pohon untuk penilaian guna mendapatkan nilai penting fitur dari data.
Membungkus fungsi .explain().
predict(evaluation_examples)
Parameter
- evaluation_examples
- array atau DataFrame atau csr_matrix
Matriks contoh vektor fitur (# contoh x # fitur) untuk menjelaskan output model.
Mengembalikan
Untuk model dengan satu output seperti regresi, ini mengembalikan matriks nilai penting fitur. Untuk model dengan output vektor fungsi ini mengembalikan daftar matriks tersebut, satu untuk masing-masing output. Dimensi matriks ini adalah (# contoh x # fitur).
Tipe hasil
Atribut
engineered_features
Dapatkan nama fitur rekayasa yang sesuai dengan parameter get_raw=False pada panggilan penjelasan.
Jika penjelas asli memiliki transformasi yang diteruskan ke dalamnya, fitur yang direkayasa harus diteruskan ke konstruktor penjelas penilaian menggunakan parameter engineered_features. Jika tidak, jika peta fitur diteruskan ke penjelas penilaian, fitur yang direkayasa akan sama dengan fitur.
Mengembalikan
Nama fitur yang direkayasa, atau Tidak Ada jika tidak ada yang diberikan oleh pengguna.
Tipe hasil
features
Dapatkan nama fitur.
Mengembalikan nama fitur default jika get_raw tidak ditentukan pada panggilan penjelasan.
Mengembalikan
Nama fitur, atau None jika tidak ada yang diberikan oleh pengguna.
Tipe hasil
raw_features
Dapatkan nama fitur mentah yang sesuai dengan parameter get_raw=True pada panggilan penjelasan.
Jika penjelas asli tidak memiliki transformasi yang diteruskan ke dalamnya, dan feature_maps telah diteruskan ke penjelas penilaian, nama fitur mentah perlu diteruskan ke konstruktor penjelas penilaian menggunakan parameter raw_features. Jika tidak, fitur mentah akan sama dengan fitur.
Mengembalikan
Nama fitur mentah, atau Tidak Ada jika tidak ada yang diberikan oleh pengguna.
Tipe hasil
Saran dan Komentar
https://aka.ms/ContentUserFeedback.
Segera hadir: Sepanjang tahun 2024 kami akan menghentikan penggunaan GitHub Issues sebagai mekanisme umpan balik untuk konten dan menggantinya dengan sistem umpan balik baru. Untuk mengetahui informasi selengkapnya, lihat:Kirim dan lihat umpan balik untuk