ScoringExplainer Klas

Definieert een scoremodel.

Als transformaties zijn doorgegeven op original_explainer, worden deze transformaties doorgevoerd naar de scoring explainer, worden onbewerkte gegevens verwacht en worden standaard urgenties geretourneerd voor onbewerkte functies. Als feature_maps hier worden doorgegeven (NIET bedoeld voor gebruik op hetzelfde moment als transformaties), verwacht de uitleger getransformeerde gegevens en worden standaard urgenties geretourneerd voor getransformeerde gegevens. In beide gevallen kan de uitvoer worden opgegeven door get_raw expliciet in te stellen op True of False op de explainer-methode .

Initialiseer de ScoringExplainer.

Als transformaties zijn doorgegeven op original_explainer, worden deze transformaties doorgevoerd naar de scoring explainer, worden onbewerkte gegevens verwacht en worden standaard urgenties geretourneerd voor onbewerkte functies. Als feature_maps hier worden doorgegeven (NIET bedoeld voor gebruik op hetzelfde moment als transformaties), verwacht de uitleger getransformeerde gegevens en worden standaard urgenties geretourneerd voor getransformeerde gegevens. In beide gevallen kan de uitvoer worden opgegeven door get_raw expliciet in te stellen op True of False op de explainer-methode .

Overname

azureml._logging.chained_identity.ChainedIdentity

ScoringExplainer

Constructor

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

Parameters

original_explainer

<xref:interpret_community.common.base_explainer.BaseExplainer>

Vereist

De uitlegfunctie voor trainingstijd werd oorspronkelijk gebruikt om het model uit te leggen.

feature_maps

list[ndarray] of list[csr_matrix]

standaardwaarde: None

Een lijst met functietoewijzingen van onbewerkte naar gegenereerde functie. De lijst kan numpy matrices of sparse matrices zijn, waarbij elke matrixvermelding (raw_index, generated_index) het gewicht is voor elk onbewerkt, gegenereerd functiepaar. De andere vermeldingen zijn ingesteld op nul. Voor een reeks transformaties [t1, t2, ..., tn] die gegenereerde functies genereren op basis van onbewerkte functies, komt de lijst met functietoewijzingen overeen met de onbewerkte tot gegenereerde kaarten in dezelfde volgorde als t1, t2, enzovoort. Als de algehele onbewerkte naar gegenereerde functietoewijzing van t1 naar tn beschikbaar is, kan alleen die functietoewijzing in een lijst met één element worden doorgegeven.

raw_features

list[str]

standaardwaarde: None

Optionele lijst met functienamen voor de onbewerkte functies die kunnen worden opgegeven als de oorspronkelijke uitleg de uitleg over de ontworpen functies berekent.

engineered_features

list[str]

standaardwaarde: None

Optionele lijst met functienamen voor de ontworpen functies die kunnen worden opgegeven als de oorspronkelijke uitleg transformaties heeft doorgegeven en alleen de urgentie van de onbewerkte functies berekent.

original_explainer

<xref:interpret_community.common.base_explainer.BaseExplainer>

Vereist

De uitlegfunctie voor trainingstijd werd oorspronkelijk gebruikt om het model uit te leggen.

feature_maps

list[ndarray] of list[csr_matrix]

Vereist

Een lijst met functietoewijzingen van onbewerkte naar gegenereerde functie. De lijst kan numpy matrices of sparse matrices zijn, waarbij elke matrixvermelding (raw_index, generated_index) het gewicht is voor elk onbewerkt, gegenereerd functiepaar. De andere vermeldingen zijn ingesteld op nul. Voor een reeks transformaties [t1, t2, ..., tn] die gegenereerde functies genereren op basis van onbewerkte functies, komt de lijst met functietoewijzingen overeen met de onbewerkte tot gegenereerde kaarten in dezelfde volgorde als t1, t2, enzovoort. Als de algehele onbewerkte naar gegenereerde functietoewijzing van t1 naar tn beschikbaar is, kan alleen die functietoewijzing in een lijst met één element worden doorgegeven.

raw_features

list[str]

Vereist

Optionele lijst met functienamen voor de onbewerkte functies die kunnen worden opgegeven als de oorspronkelijke uitleg de uitleg over de ontworpen functies berekent.

engineered_features

list[str]

Vereist

Optionele lijst met functienamen voor de ontworpen functies die kunnen worden opgegeven als de oorspronkelijke uitleg transformaties heeft doorgegeven en alleen de urgentie van de onbewerkte functies berekent.

Methoden

explain	Gebruik het model voor scoren om de waarden voor functie-urgentie van gegevens te benaderen.
fit	Implementeer de dummymethode die is vereist voor de scikit-learn-pijplijninterface.
predict	Gebruik de TreeExplainer en het structuurmodel voor scoren om de waarden voor functie-urgentie van gegevens op te halen. Verpakt de functie .explain().

explain

Gebruik het model voor scoren om de waarden voor functie-urgentie van gegevens te benaderen.

abstract explain(evaluation_examples, get_raw)

Parameters

evaluation_examples

array of DataFrame of csr_matrix

Vereist

Een matrix met voorbeelden van functievectors (# voorbeelden x # functies) waarop de uitvoer van het model kan worden uitgelegd.

get_raw

bool

Vereist

Indien Waar, worden de urgentiewaarden voor onbewerkte functies geretourneerd. Als onwaar is, worden de urgentiewaarden voor ontworpen functies geretourneerd. Als niet-opgegeven en transformaties zijn doorgegeven aan de oorspronkelijke uitleg, worden onbewerkte urgentiewaarden geretourneerd. Als niet-opgegeven en feature_maps zijn doorgegeven aan de scoring explainer, worden ontworpen urgentiewaarden geretourneerd.

Retouren

Voor een model met één uitvoer, zoals regressie, retourneert deze methode een matrix met waarden voor functie-urgentie. Voor modellen met vectoruitvoer retourneert deze functie een lijst met dergelijke matrices, één voor elke uitvoer. De dimensie van deze matrix is (# voorbeelden x # functies).

Retourtype

list

fit

Implementeer de dummymethode die is vereist voor de scikit-learn-pijplijninterface.

fit(X, y=None)

Parameters

X

Vereist

Trainingsgegevens.

y

standaardwaarde: None

Trainingsdoelen.

predict

Gebruik de TreeExplainer en het structuurmodel voor scoren om de waarden voor functie-urgentie van gegevens op te halen.

Verpakt de functie .explain().

predict(evaluation_examples)

Parameters

evaluation_examples

array of DataFrame of csr_matrix

Vereist

Een matrix met voorbeelden van functievectors (# voorbeelden x # functies) waarop de uitvoer van het model kan worden uitgelegd.

Retouren

Voor een model met één uitvoer, zoals regressie, retourneert dit een matrix met waarden voor functiebelang. Voor modellen met vectoruitvoer retourneert deze functie een lijst met dergelijke matrices, één voor elke uitvoer. De dimensie van deze matrix is (# voorbeelden x # functies).

Retourtype

list

Kenmerken

engineered_features

Haal de ontworpen functienamen op die overeenkomen met de parameter get_raw=False bij uitleg.

Als aan de oorspronkelijke uitleg transformaties zijn doorgegeven, moeten de ontworpen functies worden doorgegeven aan de scoring explainer-constructor met behulp van de parameter engineered_features. Als er anders functietoewijzingen zijn doorgegeven aan de scoring explainer, zijn de ontworpen functies hetzelfde als de functies.

Retouren

De ontworpen functienamen of Geen als er geen is opgegeven door de gebruiker.

Retourtype

list[str],

None

features

Haal de functienamen op.

Retourneert de standaardfunctienamen als get_raw niet is opgegeven bij uitleg-aanroep.

Retouren

De functienamen of Geen als er geen is opgegeven door de gebruiker.

Retourtype

list[str],

None

raw_features

Haal de onbewerkte functienamen op die overeenkomen met de parameter get_raw=True bij uitleg.

Als aan de oorspronkelijke uitleg geen transformaties zijn doorgegeven en feature_maps zijn doorgegeven aan de scoring explainer, moeten de onbewerkte functienamen worden doorgegeven aan de constructor scoring explainer met behulp van de parameter raw_features. Anders zijn de onbewerkte functies hetzelfde als de functies.

Retouren

De onbewerkte functienamen of Geen als er geen is gegeven door de gebruiker.

Retourtype

list[str],

None