scoring_explainer Paket
Definierar bedömningsmodeller för att approximera värden för funktionsvikt.
Klasser
DeepScoringExplainer |
Definierar en bedömningsmodell baserat på DeepExplainer. Om den ursprungliga förklaringen använde en SHAP DeepExplainer 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 skickades in på original_explainer överförs dessa transformeringar till bedömningsförklararen, den förväntar sig rådata och som standard returneras prioriteter för råfunktioner. Om feature_maps skickas in här (INTE avsett att användas samtidigt som transformeringar) förväntas transformerade data i förklaringen 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 DeepScoringExplainer. Om den ursprungliga förklaringen använde en SHAP DeepExplainer 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 skickades in på original_explainer överförs dessa transformeringar till bedömningsförklararen, den förväntar sig rådata och som standard returneras prioriteter för råfunktioner. Om feature_maps skickas in här (INTE avsett att användas samtidigt som transformeringar) förväntas transformerade data i förklaringen 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 . |
KernelScoringExplainer |
Definierar en bedömningsmodell baserat på KernelExplainer. Om den ursprungliga förklaringen använde en SHAP KernelExplainer 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 skickades in på original_explainer överförs dessa transformeringar till bedömningsförklararen, den förväntar sig rådata och som standard returneras prioriteter för råfunktioner. Om feature_maps skickas in här (INTE avsett att användas samtidigt som transformeringar) förväntas transformerade data i förklaringen 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 KernelScoringExplainer. Om den ursprungliga förklaringen använde en SHAP KernelExplainer 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 skickades in på original_explainer överförs dessa transformeringar till bedömningsförklararen, den förväntar sig rådata och som standard returneras prioriteter för råfunktioner. Om feature_maps skickas in här (INTE avsett att användas samtidigt som transformeringar) förväntas transformerade data i förklaringen 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 . |
LinearScoringExplainer |
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 skickades in på original_explainer överförs dessa transformeringar till bedömningsförklararen, den förväntar sig rådata och som standard returneras prioriteter för råfunktioner. Om feature_maps skickas in här (INTE avsett att användas samtidigt som transformeringar) förväntas transformerade data i förklaringen 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 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 skickades in på original_explainer överförs dessa transformeringar till bedömningsförklararen, den förväntar sig rådata och som standard returneras prioriteter för råfunktioner. Om feature_maps skickas in här (INTE avsett att användas samtidigt som transformeringar) förväntas transformerade data i förklaringen 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 . |
ScoringExplainer |
Definierar en bedömningsmodell. Om transformeringar skickades in på original_explainer överförs dessa transformeringar till bedömningsförklararen, den förväntar sig rådata och som standard returneras prioriteter för råfunktioner. 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 överförs dessa transformeringar till bedömningsförklararen, den förväntar sig rådata och som standard returneras prioriteter för råfunktioner. 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 . |
TreeScoringExplainer |
Definierar en bedömningsmodell baserat på TreeExplainer. Om den ursprungliga förklaringen använde en SHAP TreeExplainer återanvänds kärnan i den ursprungliga förklaringen. Om den ursprungliga förklaringen använde en annan metod skapas en ny förklaring. Om transformeringar skickades in på original_explainer överförs dessa transformeringar till bedömningsförklararen, den förväntar sig rådata och som standard returneras prioriteter för råfunktioner. Om feature_maps skickas in här (INTE avsett att användas samtidigt som transformeringar) förväntas transformerade data i förklaringen 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 TreeScoringExplainer. Om den ursprungliga förklaringen använde en SHAP TreeExplainer återanvänds kärnan i den ursprungliga förklaringen. Om den ursprungliga förklaringen använde en annan metod skapas en ny förklaring. Om transformeringar skickades in på original_explainer överförs dessa transformeringar till bedömningsförklararen, den förväntar sig rådata och som standard returneras prioriteter för råfunktioner. Om feature_maps skickas in här (INTE avsett att användas samtidigt som transformeringar) förväntas transformerade data i förklaringen 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 . |
Funktioner
load
Läs in bedömningsförklararen från disken.
load(directory)
Parametrar
- directory
- str
Katalogen där den serialiserade förklaringen lagras. Förutsätter att scoring_explainer.pkl är tillgänglig på den översta nivån i katalogen.
Returer
Bedömningsförklaringen från en förklaring som lästs in från disken.
Returtyp
save
Spara bedömningsförklararen på disk.
save(scoring_explainer, directory='.', exist_ok=False)
Parametrar
- scoring_explainer
Bedömningsförklararobjektet som ska sparas. Förklaringen skrivs ut till [directory]/scoring_explainer.pkl.
- directory
- str
Den katalog under vilken den serialiserade förklaringen ska lagras. Om katalogen inte finns skapas den.
- exist_ok
- bool
Om falskt (standardtillståndet) visas en varning om den angivna katalogen redan finns. Om sant används den aktuella katalogen och överlappande innehåll skrivs över.
Returer
Sökvägen till pickle-filen för bedömningsförklararen.
Returtyp
Feedback
https://aka.ms/ContentUserFeedback.
Kommer snart: Under hela 2024 kommer vi att fasa ut GitHub-problem som feedbackmekanism för innehåll och ersätta det med ett nytt feedbacksystem. Mer information finns i:Skicka och visa feedback för