ScoringExplainer Klass

Definierar en bedömningsmodell.

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) förväntar sig förklaringen 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 ScoringExplainer.

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) förväntar sig förklaringen 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._logging.chained_identity.ChainedIdentity

ScoringExplainer

Konstruktor

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

Parametrar

original_explainer

<xref:interpret_community.common.base_explainer.BaseExplainer>

Obligatorisk

Träningstidsförklaringen som ursprungligen användes för att förklara modellen.

feature_maps

list[ndarray] eller list[csr_matrix]

standardvärde: None

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]

standardvärde: None

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]

standardvärde: None

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 som ursprungligen användes för att förklara modellen.

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 modellen för bedömning för att approximeras funktionsviktsvärdena för data.
fit	Implementera dummy-metoden som krävs för att passa pipelinegränssnittet scikit-learn.
predict	Använd TreeExplainer och trädmodellen för bedömning för att hämta funktionsviktsvärden för data. Omsluter funktionen .explain().

explain

Använd modellen för bedömning för att approximeras funktionsviktsvärdena för data.

abstract explain(evaluation_examples, get_raw)

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

Obligatorisk

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 till bedömningsförklararen returneras konstruerade prioritetsvärden.

Returer

För en modell med en enda utdata, till exempel regression, returnerar den här metoden en matris med viktiga värden för funktioner. 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

fit

Implementera dummy-metoden som krävs för att passa pipelinegränssnittet scikit-learn.

fit(X, y=None)

Parametrar

X

Obligatorisk

Träningsdata.

y

standardvärde: None

Träningsmål.

predict

Använd TreeExplainer och trädmodellen för bedömning för att hämta funktionsviktsvärden för data.

Omsluter funktionen .explain().

predict(evaluation_examples)

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.

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

Attribut

engineered_features

Hämta de skapade funktionsnamnen som motsvarar parametern get_raw=False i förklara-anropet.

Om den ursprungliga förklaringen hade transformeringar skickade till den, måste de konstruerade funktionerna skickas till konstruktorn för bedömningsförklararen med hjälp av parametern engineered_features. Om funktionskartor skickas till bedömningsförklararen är de skapade funktionerna i annat fall desamma som funktionerna.

Returer

De utformade funktionsnamnen eller Ingen om ingen angavs av användaren.

Returtyp

list[str],

None

features

Hämta funktionsnamnen.

Returnerar standardfunktionsnamnen om get_raw inte har angetts vid förklaringsanropet.

Returer

Funktionsnamnen eller Ingen om ingen angavs av användaren.

Returtyp

list[str],

None

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 bedömningsförklararen med hjälp av parametern raw_features. Annars är råfunktionerna samma som funktionerna.

Returer

De råa funktionsnamnen eller Ingen om ingen angavs av användaren.

Returtyp

list[str],

None