ScoringExplainer Klass
Definierar en bedömningsmodell.
Om transformeringar skickades in på original_explainer, kommer dessa omvandlingar att överföras till bedömningsförklararen, den förväntar sig rådata och som standard returneras prioriteter för rådatafunktioner. Om feature_maps skickas in här (INTE avsett att användas samtidigt som transformeringar) förväntar sig förklaringen transformerade data och som standard returneras prioriteter för transformerade data. I båda fallen kan utdata anges genom att ange get_raw explicit till Sant eller Falskt på förklaringsmetoden .
Initiera ScoringExplainer.
Om transformeringar skickades in på original_explainer, kommer dessa omvandlingar att överföras till bedömningsförklararen, den förväntar sig rådata och som standard returneras prioriteter för rådatafunktioner. Om feature_maps skickas in här (INTE avsett att användas samtidigt som transformeringar) förväntar sig förklaringen transformerade data och som standard returneras prioriteter för transformerade data. I båda fallen kan utdata anges genom att ange get_raw explicit till Sant eller Falskt på förklaringsmetoden .
Konstruktor
ScoringExplainer(original_explainer, feature_maps=None, raw_features=None, engineered_features=None, **kwargs)Parametrar
| Name | Description |
|---|---|
|
original_explainer
Obligatorisk
|
<xref:interpret_community.common.base_explainer.BaseExplainer>
Förklaringen av träningstiden som ursprungligen användes för att förklara modellen. |
|
feature_maps
|
En lista över funktionskartor från rå till genererad funktion. Listan kan vara numpy-matriser eller glesa matriser där varje matrispost (raw_index, generated_index) är vikten för varje råa, genererade 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 genererade funktionskartan från t1 till tn är tillgänglig kan bara den funktionskartan i en enda elementlista skickas. Standardvärde: None
|
|
raw_features
|
Valfri lista över funktionsnamn för de råa funktioner som kan anges om den ursprungliga förklaringen beräknar förklaringen av de konstruerade funktionerna. Standardvärde: None
|
|
engineered_features
|
Valfri lista över funktionsnamn för de konstruerade funktioner som kan anges om den ursprungliga förklaringen har transformeringar som skickats och endast beräknar vikten av råfunktionerna. Standardvärde: None
|
|
original_explainer
Obligatorisk
|
<xref:interpret_community.common.base_explainer.BaseExplainer>
Förklaringen av träningstiden som ursprungligen användes för att förklara modellen. |
|
feature_maps
Obligatorisk
|
En lista över funktionskartor från rå till genererad funktion. Listan kan vara numpy-matriser eller glesa matriser där varje matrispost (raw_index, generated_index) är vikten för varje råa, genererade 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 genererade funktionskartan från t1 till tn är tillgänglig kan bara den funktionskartan i en enda elementlista skickas. |
|
raw_features
Obligatorisk
|
Valfri lista över funktionsnamn för de råa funktioner som kan anges om den ursprungliga förklaringen beräknar förklaringen av de konstruerade funktionerna. |
|
engineered_features
Obligatorisk
|
Valfri lista över funktionsnamn för de konstruerade funktioner som kan anges om den ursprungliga förklaringen har transformeringar som skickats och endast beräknar vikten av råfunktionerna. |
Metoder
| explain |
Använd modellen för bedömning för att beräkna datas funktionsvärde. |
| fit |
Implementera dummy-metoden som krävs för att passa scikit-learn-pipelinegränssnittet. |
| predict |
Använd TreeExplainer- och trädmodellen för bedömning för att hämta datas funktionsviktsvärden. Omsluter funktionen .explain(). |
explain
Använd modellen för bedömning för att beräkna datas funktionsvärde.
abstract explain(evaluation_examples, get_raw)Parametrar
| Name | Description |
|---|---|
|
evaluation_examples
Obligatorisk
|
En matris med funktionsvektorexempel (# exempel x # funktioner) där modellens utdata förklaras. |
|
get_raw
Obligatorisk
|
Om sant returneras prioritetsvärden för råfunktioner. Om 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 prioritetsvärden. |
Returer
| Typ | Description |
|---|---|
|
För en modell med en enda utdata, till exempel regression, returnerar den här metoden en matris med värden för funktionsprimering. 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). |
fit
Implementera dummy-metoden som krävs för att passa scikit-learn-pipelinegränssnittet.
fit(X, y=None)Parametrar
| Name | Description |
|---|---|
|
X
Obligatorisk
|
Träningsdata. |
|
y
|
Träningsmål. Standardvärde: None
|
predict
Använd TreeExplainer- och trädmodellen för bedömning för att hämta datas funktionsviktsvärden.
Omsluter funktionen .explain().
predict(evaluation_examples)Parametrar
| Name | Description |
|---|---|
|
evaluation_examples
Obligatorisk
|
En matris med funktionsvektorexempel (# exempel x # funktioner) där modellens utdata förklaras. |
Returer
| Typ | Description |
|---|---|
|
För en modell med en enda utdata, till exempel regression, returnerar detta en matris med värden för funktionsprimering. 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). |
Attribut
engineered_features
Hämta de skapade funktionsnamnen som motsvarar parametern get_raw=False vid förklarande anrop.
Om den ursprungliga förklaringen hade transformeringar skickats till den måste de konstruerade funktionerna skickas till konstruktorn för bedömningsförklarare med hjälp av parametern engineered_features. Annars, om funktionskartor skickades till bedömningsförklararen, kommer de konstruerade funktionerna att vara desamma som funktionerna.
Returer
| Typ | Description |
|---|---|
|
De konstruerade funktionsnamnen eller Ingen om ingen angavs av användaren. |
features
raw_features
Hämta de råa funktionsnamn som motsvarar parametern get_raw=True i förklara anropet.
Om den ursprungliga förklaringen inte har transformeringar som skickats till den och feature_maps har skickats till bedömningsförklararen, måste de råa funktionsnamnen skickas till konstruktorn för bedömningsförklarare med hjälp av parametern raw_features. Annars blir de råa funktionerna samma som funktionerna.
Returer
| Typ | Description |
|---|---|
|
De råa funktionsnamnen eller Ingen om ingen angavs av användaren. |