scoring_explainer Paket
Menentukan model penilaian untuk mendekati nilai-nilai penting fitur.
Kelas
DeepScoringExplainer |
Menentukan model penilaian berdasarkan DeepExplainer. Jika penjelajah asli menggunakan SHAP DeepExplainer dan tidak ada data inisialisasi yang diteruskan, inti penjelajah asli akan digunakan kembali. Jika penjelas asli menggunakan metode lain atau data inisialisasi baru diteruskan di bawah initialization_examples, penjelas baru akan dibuat. Jika transformasi diteruskan pada original_explainer, transformasi tersebut akan dibawa melalui penjelas pemberian skor, akan mengharapkan data mentah, dan secara default kepentingan akan dikembalikan untuk fitur mentah. Jika feature_maps diteruskan di sini (TIDAK dimaksudkan untuk digunakan pada waktu bersamaan sebagai transformasi), penjelas akan mengharapkan data yang ditransformasi, dan secara default kepentingan akan dikembalikan untuk data yang ditransformasi. Dalam kedua kasus, output dapat ditentukan dengan pengaturan get_raw secara eksplisit ke True atau False pada metode penjelasan penjelas. Inisialisasi DeepScoringExplainer. Jika penjelajah asli menggunakan SHAP DeepExplainer dan tidak ada data inisialisasi yang diteruskan, inti penjelajah asli akan digunakan kembali. Jika penjelas asli menggunakan metode lain atau data inisialisasi baru diteruskan di bawah initialization_examples, penjelas baru akan dibuat. Jika transformasi diteruskan pada original_explainer, transformasi tersebut akan dibawa melalui penjelas pemberian skor, akan mengharapkan data mentah, dan secara default kepentingan akan dikembalikan untuk fitur mentah. Jika feature_maps diteruskan di sini (TIDAK dimaksudkan untuk digunakan pada waktu bersamaan sebagai transformasi), penjelas akan mengharapkan data yang ditransformasi, dan secara default kepentingan 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 jelaskan explainer. |
KernelScoringExplainer |
Menentukan model penilaian berdasarkan KernelExplainer. Jika penjelas asli menggunakan SHAP KernelExplainer dan tidak ada data inisialisasi yang diteruskan, inti penjelas asli akan digunakan kembali. Jika penjelas asli menggunakan metode lain atau data inisialisasi baru diteruskan di bawah initialization_examples, penjelas baru akan dibuat. Jika transformasi diteruskan pada original_explainer, transformasi tersebut akan dibawa melalui penjelas pemberian skor, akan mengharapkan data mentah, dan secara default kepentingan akan dikembalikan untuk fitur mentah. Jika feature_maps diteruskan di sini (TIDAK dimaksudkan untuk digunakan pada waktu bersamaan sebagai transformasi), penjelas akan mengharapkan data yang ditransformasi, dan secara default kepentingan akan dikembalikan untuk data yang ditransformasi. Dalam kedua kasus, output dapat ditentukan dengan pengaturan get_raw secara eksplisit ke True atau False pada metode penjelasan penjelas. Menginisialisasi KernelScoringExplainer. Jika penjelas asli menggunakan SHAP KernelExplainer dan tidak ada data inisialisasi yang diteruskan, inti penjelas asli akan digunakan kembali. Jika penjelas asli menggunakan metode lain atau data inisialisasi baru diteruskan di bawah initialization_examples, penjelas baru akan dibuat. Jika transformasi diteruskan pada original_explainer, transformasi tersebut akan dibawa melalui penjelas pemberian skor, akan mengharapkan data mentah, dan secara default kepentingan akan dikembalikan untuk fitur mentah. Jika feature_maps diteruskan di sini (TIDAK dimaksudkan untuk digunakan pada waktu bersamaan sebagai transformasi), penjelas akan mengharapkan data yang ditransformasi, dan secara default kepentingan 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 jelaskan explainer. |
LinearScoringExplainer |
Menentukan model penilaian berdasarkan LinearExplainer. Jika penjelas asli menggunakan SHAP LinearExplainer dan tidak ada data inisialisasi yang diteruskan, inti dari penjelas asli akan digunakan ulang. Jika penjelas asli menggunakan metode lain atau data inisialisasi baru diteruskan di bawah initialization_examples, penjelas baru akan dibuat. Jika transformasi diteruskan pada original_explainer, transformasi tersebut akan dibawa melalui penjelas pemberian skor, akan mengharapkan data mentah, dan secara default kepentingan akan dikembalikan untuk fitur mentah. Jika feature_maps diteruskan di sini (TIDAK dimaksudkan untuk digunakan pada waktu bersamaan sebagai transformasi), penjelas akan mengharapkan data yang ditransformasi, dan secara default kepentingan akan dikembalikan untuk data yang ditransformasi. Dalam kedua kasus, output dapat ditentukan dengan pengaturan get_raw secara eksplisit ke True atau False pada metode penjelasan penjelas. Inisialisasi LinearScoringExplainer. Jika penjelas asli menggunakan SHAP LinearExplainer dan tidak ada data inisialisasi yang diteruskan, inti dari penjelas asli akan digunakan ulang. Jika penjelas asli menggunakan metode lain atau data inisialisasi baru diteruskan di bawah initialization_examples, penjelas baru akan dibuat. Jika transformasi diteruskan pada original_explainer, transformasi tersebut akan dibawa melalui penjelas pemberian skor, akan mengharapkan data mentah, dan secara default kepentingan akan dikembalikan untuk fitur mentah. Jika feature_maps diteruskan di sini (TIDAK dimaksudkan untuk digunakan pada waktu bersamaan sebagai transformasi), penjelas akan mengharapkan data yang ditransformasi, dan secara default kepentingan 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 jelaskan explainer. |
ScoringExplainer |
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. Menginisialisasi 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 jelaskan explainer. |
TreeScoringExplainer |
Menentukan model penilaian berdasarkan TreeExplainer. Jika explainer asli menggunakan SHAP TreeExplainer, inti dari explainer asli akan digunakan kembali. Jika explainer asli menggunakan metode lain, explainer baru akan dibuat. Jika transformasi diteruskan pada original_explainer, transformasi tersebut akan dibawa ke explainer penilaian, itu akan mengharapkan data mentah, dan secara default nilai penting akan dikembalikan untuk fitur mentah. Jika feature_maps diteruskan di sini (TIDAK dimaksudkan untuk digunakan pada waktu bersamaan sebagai transformasi), penjelas akan mengharapkan data yang ditransformasi, dan secara default kepentingan akan dikembalikan untuk data yang ditransformasi. Dalam kedua kasus, output dapat ditentukan dengan pengaturan get_raw secara eksplisit ke True atau False pada metode penjelasan penjelas. Inisialisasi TreeScoringExplainer. Jika explainer asli menggunakan SHAP TreeExplainer, inti dari explainer asli akan digunakan kembali. Jika explainer asli menggunakan metode lain, explainer baru akan dibuat. Jika transformasi diteruskan pada original_explainer, transformasi tersebut akan dibawa ke explainer penilaian, itu akan mengharapkan data mentah, dan secara default nilai penting akan dikembalikan untuk fitur mentah. Jika feature_maps diteruskan di sini (TIDAK dimaksudkan untuk digunakan pada waktu bersamaan sebagai transformasi), penjelas akan mengharapkan data yang ditransformasi, dan secara default kepentingan 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 jelaskan explainer. |
Fungsi
load
Muat explainer penilaian dari disk.
load(directory)
Parameter
- directory
- str
Direktori tempat explainer serial disimpan. Mengasumsikan bahwa scoring_explainer.pkl tersedia di tingkat atas direktori.
Mengembalikan
Explainer penilaian dari penjelasan, dimuat dari disk.
Tipe hasil
save
Simpan explainer penilaian ke disk.
save(scoring_explainer, directory='.', exist_ok=False)
Parameter
- scoring_explainer
Objek explainer penilaian yang akan disimpan. Explainer akan ditulis ke [directory]/scoring_explainer.pkl.
- directory
- str
Direktori di mana explainer serial harus disimpan. Jika direktori tidak ada, direktori akan dibuat.
- exist_ok
- bool
Jika False (status default), peringatan akan muncul jika direktori yang diberikan sudah ada. Jika True, direktori saat ini akan digunakan dan konten yang tumpang tindih akan ditimpa.
Mengembalikan
Jalur menuju file pickle explainer penilaian.
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