Dela via


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
Obligatorisk

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
Obligatorisk

Bedömningsförklararobjektet som ska sparas. Förklaringen skrivs ut till [directory]/scoring_explainer.pkl.

directory
str
standardvärde: .

Den katalog under vilken den serialiserade förklaringen ska lagras. Om katalogen inte finns skapas den.

exist_ok
bool
standardvärde: False

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

str