LinearScoringExplainer Klass

Definierar en bedömningsmodell baserat på LinearExplainer.

Om den ursprungliga förklaringen använde en SHAP LinearExplainer och inga initieringsdata skickades, återanvänds kärnan i den ursprungliga förklaringen. Om den ursprungliga förklaringen använde en annan metod eller om nya initieringsdata skickades under initialization_examples skapas en ny förklaring.

Om transformeringar skickas in på original_explainer överförs dessa transformeringar till bedömningsförklararen, rådata förväntas och som standard returneras prioriteter för rådatafunktioner. Om feature_maps skickas in här (INTE avsett att användas samtidigt som transformeringar) förväntas transformerade data och som standard returneras prioriteter för transformerade data. I båda fallen kan utdata anges genom att ange get_raw uttryckligen till Sant eller Falskt för förklaringsmetoden .

Initiera LinearScoringExplainer.

Om den ursprungliga förklaringen använde en SHAP LinearExplainer och inga initieringsdata skickades, återanvänds kärnan i den ursprungliga förklaringen. Om den ursprungliga förklaringen använde en annan metod eller om nya initieringsdata skickades under initialization_examples skapas en ny förklaring.

Om transformeringar skickas in på original_explainer överförs dessa transformeringar till bedömningsförklararen, rådata förväntas och som standard returneras prioriteter för rådatafunktioner. Om feature_maps skickas in här (INTE avsett att användas samtidigt som transformeringar) förväntas transformerade data och som standard returneras prioriteter för transformerade data. I båda fallen kan utdata anges genom att ange get_raw uttryckligen till Sant eller Falskt för förklaringsmetoden .

Arv

azureml.interpret.scoring.scoring_explainer._scoring_explainer.ScoringExplainer

LinearScoringExplainer

Konstruktor

LinearScoringExplainer(original_explainer, initialization_examples=None, **kwargs)

Parametrar

original_explainer

<xref:interpret_community.common.base_explainer.BaseExplainer>

Obligatorisk

Träningstidsförklaringen användes ursprungligen för att förklara den linjära modellen.

initialization_examples

array eller DataFrame eller csr_matrix

standardvärde: None

En matris med exempel på funktionsvektorer (# exempel x # funktioner) för att initiera förklaringen.

feature_maps

list[ndarray] eller list[csr_matrix]

Obligatorisk

En lista över funktionsmappningar från rå till genererad funktion. Listan kan vara numpy-matriser eller glesa matriser där varje matrispost (raw_index, generated_index) är vikten för varje obearbetat, genererat funktionspar. De andra posterna är inställda på noll. För en sekvens med transformeringar [t1, t2, ..., tn] som genererar genererade funktioner från råa funktioner motsvarar listan över funktionskartor den råa till genererade kartor i samma ordning som t1, t2 osv. Om den övergripande råa till den genererade funktionskartan från t1 till tn är tillgänglig, kan bara den funktionskartan i en enda elementlista skickas.

raw_features

list[str]

Obligatorisk

Valfri lista över funktionsnamn för de råa funktioner som kan anges om den ursprungliga förklaringen beräknar förklaringen av de konstruerade funktionerna.

engineered_features

list[str]

Obligatorisk

Valfri lista över funktionsnamn för de konstruerade funktionerna som kan anges om den ursprungliga förklaringen har transformeringar skickade och endast beräknar vikten av råfunktionerna.

original_explainer

<xref:interpret_community.common.base_explainer.BaseExplainer>

Obligatorisk

Träningstidsförklaringen användes ursprungligen för att förklara den linjära modellen.

initialization_examples

array eller DataFrame eller csr_matrix

Obligatorisk

En matris med exempel på funktionsvektorer (# exempel x # funktioner) för att initiera förklaringen.

feature_maps

list[ndarray] eller list[csr_matrix]

Obligatorisk

En lista över funktionsmappningar från rå till genererad funktion. Listan kan vara numpy-matriser eller glesa matriser där varje matrispost (raw_index, generated_index) är vikten för varje obearbetat, genererat funktionspar. De andra posterna är inställda på noll. För en sekvens med transformeringar [t1, t2, ..., tn] som genererar genererade funktioner från råa funktioner motsvarar listan över funktionskartor den råa till genererade kartor i samma ordning som t1, t2 osv. Om den övergripande råa till den genererade funktionskartan från t1 till tn är tillgänglig, kan bara den funktionskartan i en enda elementlista skickas.

raw_features

list[str]

Obligatorisk

Valfri lista över funktionsnamn för de råa funktioner som kan anges om den ursprungliga förklaringen beräknar förklaringen av de konstruerade funktionerna.

engineered_features

list[str]

Obligatorisk

Valfri lista över funktionsnamn för de konstruerade funktionerna som kan anges om den ursprungliga förklaringen har transformeringar skickade och endast beräknar vikten av råfunktionerna.

Metoder

explain

Använd LinearExplainer för bedömning för att hämta viktiga funktionsvärden för data.

explain

Använd LinearExplainer för bedömning för att hämta viktiga funktionsvärden för data.

explain(evaluation_examples, get_raw=None)

Parametrar

evaluation_examples

array eller DataFrame eller csr_matrix

Obligatorisk

En matris med exempel på funktionsvektorer (# exempel x # funktioner) som du kan förklara modellens utdata på.

get_raw

bool

standardvärde: None

Om värdet är Sant returneras prioritetsvärden för råfunktioner. Om värdet är Falskt returneras prioritetsvärden för konstruerade funktioner. Om ospecificerade och transformeringar skickades till den ursprungliga förklaringen returneras råa prioritetsvärden. Om ospecificerade och feature_maps skickades in i bedömningsförklararen returneras konstruerade betydelser.

Returer

För en modell med en enda utdata, till exempel regression, returnerar detta en matris med viktiga värden för funktionen. För modeller med vektorutdata returnerar den här funktionen en lista över sådana matriser, en för varje utdata. Dimensionen för den här matrisen är (# exempel x # funktioner).

Returtyp

list