ScoringExplainer Classe
Define um modelo de classificação.
Se as transformações forem transmitidas em original_explainer, essas transformações serão transferidas para o explicador de classificação, esperarão dados não processados e, por predefinição, serão devolvidas importâncias não processadas para as funcionalidades não processadas. Se feature_maps forem transmitidas aqui (NÃO se destina a serem utilizadas ao mesmo tempo que transformações), o explicador espera que os dados transformados sejam transformados e, por predefinição, serão devolvidos importâncias para os dados transformados. Em ambos os casos, a saída pode ser especificada ao definir get_raw explicitamente como Verdadeiro ou Falso no método de explicação do explicador.
Inicialize o ScoringExplainer.
Se as transformações forem transmitidas em original_explainer, essas transformações serão transferidas para o explicador de classificação, esperarão dados não processados e, por predefinição, serão devolvidas importâncias não processadas para as funcionalidades não processadas. Se feature_maps forem transmitidas aqui (NÃO se destina a serem utilizadas ao mesmo tempo que transformações), o explicador espera que os dados transformados sejam transformados e, por predefinição, serão devolvidos importâncias para os dados transformados. Em ambos os casos, a saída pode ser especificada ao definir get_raw explicitamente como Verdadeiro ou Falso no método de explicação do explicador.
- Herança
-
azureml._logging.chained_identity.ChainedIdentityScoringExplainer
Construtor
ScoringExplainer(original_explainer, feature_maps=None, raw_features=None, engineered_features=None, **kwargs)
Parâmetros
- original_explainer
- <xref:interpret_community.common.base_explainer.BaseExplainer>
O explicador de tempo de preparação foi originalmente utilizado para explicar o modelo.
- feature_maps
- list[ndarray] ou list[csr_matrix]
Uma lista de funcionalidades mapeia de funcionalidades não processadas para geradas. A lista pode ser matrizes numpy ou matrizes dispersas em que cada entrada de matriz (raw_index, generated_index) é o peso para cada par de funcionalidades geradas e não processadas. As outras entradas estão definidas como zero. Para uma sequência de transformações [t1, t2, ..., tn] que geram funcionalidades geradas a partir de funcionalidades não processadas, a lista de mapas de funcionalidades corresponde aos mapas não processados aos mapas gerados pela mesma ordem que t1, t2, etc. Se o mapa de funcionalidades não processado para gerado globalmente de t1 para tn estiver disponível, apenas esse mapa de funcionalidades numa única lista de elementos pode ser transmitido.
Lista opcional de nomes de funcionalidades para as funcionalidades não processadas que podem ser especificadas se o explicador original calcular a explicação sobre as funcionalidades concebidas.
Lista opcional de nomes de funcionalidades para as funcionalidades concebidas que podem ser especificadas se o explicador original tiver transformações transmitidas e apenas calcular as importâncias nas funcionalidades não processadas.
- original_explainer
- <xref:interpret_community.common.base_explainer.BaseExplainer>
O explicador de tempo de preparação foi originalmente utilizado para explicar o modelo.
- feature_maps
- list[ndarray] ou list[csr_matrix]
Uma lista de funcionalidades mapeia de funcionalidades não processadas para geradas. A lista pode ser matrizes numpy ou matrizes dispersas em que cada entrada de matriz (raw_index, generated_index) é o peso para cada par de funcionalidades geradas e não processadas. As outras entradas estão definidas como zero. Para uma sequência de transformações [t1, t2, ..., tn] que geram funcionalidades geradas a partir de funcionalidades não processadas, a lista de mapas de funcionalidades corresponde aos mapas não processados aos mapas gerados pela mesma ordem que t1, t2, etc. Se o mapa de funcionalidades não processado para gerado globalmente de t1 para tn estiver disponível, apenas esse mapa de funcionalidades numa única lista de elementos pode ser transmitido.
Lista opcional de nomes de funcionalidades para as funcionalidades não processadas que podem ser especificadas se o explicador original calcular a explicação sobre as funcionalidades concebidas.
Lista opcional de nomes de funcionalidades para as funcionalidades concebidas que podem ser especificadas se o explicador original tiver transformações transmitidas e apenas calcular as importâncias nas funcionalidades não processadas.
Métodos
explain |
Utilize o modelo para classificar para aproximar os valores de importância da funcionalidade dos dados. |
fit |
Implemente o método fictício necessário para se ajustar à interface de pipeline scikit-learn. |
predict |
Utilize o treeExplainer e o modelo de árvore para classificação para obter os valores de importância da funcionalidade dos dados. Molda a função .explain(). |
explain
Utilize o modelo para classificar para aproximar os valores de importância da funcionalidade dos dados.
abstract explain(evaluation_examples, get_raw)
Parâmetros
- evaluation_examples
- array ou DataFrame ou csr_matrix
Uma matriz de exemplos de vetores de funcionalidades (# exemplos x # funcionalidades) para explicar a saída do modelo.
- get_raw
- bool
Se For Verdadeiro, serão devolvidos valores de importância para funcionalidades não processadas. Se for Falso, serão devolvidos valores de importância para as funcionalidades concebidas. Se não forem especificadas e as transformações forem transmitidas para o explicador original, serão devolvidos valores de importância não processada. Se não forem especificados e feature_maps tiver sido passado para o explicador de classificação, serão devolvidos valores de importância modificados.
Devoluções
Para um modelo com uma única saída, como a regressão, este método devolve uma matriz de valores de importância de funcionalidade. Para modelos com saídas de vetor, esta função devolve uma lista dessas matrizes, uma para cada saída. A dimensão desta matriz é (# exemplos x # funcionalidades).
Tipo de retorno
fit
Implemente o método fictício necessário para se ajustar à interface de pipeline scikit-learn.
fit(X, y=None)
Parâmetros
- X
Dados de preparação.
- y
Destinos de preparação.
predict
Utilize o treeExplainer e o modelo de árvore para classificação para obter os valores de importância da funcionalidade dos dados.
Molda a função .explain().
predict(evaluation_examples)
Parâmetros
- evaluation_examples
- array ou DataFrame ou csr_matrix
Uma matriz de exemplos de vetores de funcionalidades (# exemplos x # funcionalidades) para explicar a saída do modelo.
Devoluções
Para um modelo com uma única saída, como a regressão, isto devolve uma matriz de valores de importância de funcionalidade. Para modelos com saídas de vetor, esta função devolve uma lista dessas matrizes, uma para cada saída. A dimensão desta matriz é (# exemplos x # funcionalidades).
Tipo de retorno
Atributos
engineered_features
Obtenha os nomes das funcionalidades concebidas correspondentes ao parâmetro get_raw=False na chamada de explicação.
Se o explicador original tiver transformações passadas para o mesmo, as funcionalidades concebidas terão de ser transmitidas ao construtor do explicador de classificação com o parâmetro engineered_features. Caso contrário, se os mapas de funcionalidades forem transmitidos ao explicador de classificação, as funcionalidades concebidas serão as mesmas que as funcionalidades.
Devoluções
Os nomes das funcionalidades concebidas ou Nenhum se nenhum tiver sido dado pelo utilizador.
Tipo de retorno
features
Obtenha os nomes das funcionalidades.
Devolve os nomes de funcionalidades predefinidos se get_raw não for especificado na chamada de explicação.
Devoluções
Os nomes das funcionalidades ou Nenhum se nenhum tiver sido dado pelo utilizador.
Tipo de retorno
raw_features
Obtenha os nomes de funcionalidades não processados correspondentes ao parâmetro get_raw=True na chamada de explicação.
Se o explicador original não tiver passado transformações para o mesmo e feature_maps tiverem sido transmitidos ao explicador de classificação, os nomes de funcionalidades não processados têm de ser transmitidos para o construtor do explicador de classificação com o parâmetro raw_features. Caso contrário, as funcionalidades não processadas serão as mesmas que as funcionalidades.
Devoluções
Os nomes de funcionalidades não processados ou Nenhum se nenhum tiver sido dado pelo utilizador.
Tipo de retorno
Comentários
https://aka.ms/ContentUserFeedback.
Brevemente: Ao longo de 2024, vamos descontinuar progressivamente o GitHub Issues como mecanismo de feedback para conteúdos e substituí-lo por um novo sistema de feedback. Para obter mais informações, veja:Submeter e ver comentários