ScoringExplainer Classe
Definisce un modello di assegnazione dei punteggi.
Se le trasformazioni sono state passate in original_explainer, tali trasformazioni verranno eseguite tramite il spiegazione dei punteggi, si prevede che i dati non elaborati vengano restituiti per impostazione predefinita per le funzionalità non elaborate. Se feature_maps vengono passati qui (NON destinati a essere usati contemporaneamente alle trasformazioni), il spiegante prevede che i dati trasformati vengano restituiti per impostazione predefinita per i dati trasformati. In entrambi i casi, l'output può essere specificato impostando get_raw in modo esplicito su True o False nel metodo di spiegazione del spiegante.
Inizializzare l'oggetto ScoringExplainer.
Se le trasformazioni sono state passate in original_explainer, tali trasformazioni verranno eseguite tramite il spiegazione dei punteggi, si prevede che i dati non elaborati vengano restituiti per impostazione predefinita per le funzionalità non elaborate. Se feature_maps vengono passati qui (NON destinati a essere usati contemporaneamente alle trasformazioni), il spiegante prevede che i dati trasformati vengano restituiti per impostazione predefinita per i dati trasformati. In entrambi i casi, l'output può essere specificato impostando get_raw in modo esplicito su True o False nel metodo di spiegazione del spiegante.
- Ereditarietà
-
azureml._logging.chained_identity.ChainedIdentityScoringExplainer
Costruttore
ScoringExplainer(original_explainer, feature_maps=None, raw_features=None, engineered_features=None, **kwargs)Parametri
| Nome | Descrizione |
|---|---|
|
original_explainer
Necessario
|
<xref:interpret_community.common.base_explainer.BaseExplainer>
Spiegazione dell'ora di training usata originariamente per spiegare il modello. |
|
feature_maps
|
Elenco di mappe delle funzionalità da non elaborate a funzionalità generate. L'elenco può essere matrice numpy o matrici sparse in cui ogni voce di matrice (raw_index, generated_index) è il peso per ogni coppia di funzionalità non elaborata e generata. Le altre voci sono impostate su zero. Per una sequenza di trasformazioni [t1, t2, ..., tn] che generano funzionalità generate da funzionalità non elaborate, l'elenco delle mappe delle funzionalità corrisponde alle mappe non elaborate per generare mappe nello stesso ordine di t1, t2 e così via. Se la mappa delle funzionalità non elaborata complessiva da t1 a tn è disponibile, è possibile passare la mappa delle funzionalità in un singolo elenco di elementi. Valore predefinito: None
|
|
raw_features
|
Elenco facoltativo dei nomi delle funzionalità per le funzionalità non elaborate che possono essere specificate se il descrittore originale calcola la spiegazione sulle funzionalità ingegneriate. Valore predefinito: None
|
|
engineered_features
|
Elenco facoltativo dei nomi delle funzionalità per le funzionalità ingegnerizzate che possono essere specificate se il spiegazione originale ha trasformazioni passate e calcola solo le importanza sulle funzionalità non elaborate. Valore predefinito: None
|
|
original_explainer
Necessario
|
<xref:interpret_community.common.base_explainer.BaseExplainer>
Spiegazione dell'ora di training usata originariamente per spiegare il modello. |
|
feature_maps
Necessario
|
Elenco di mappe delle funzionalità da non elaborate a funzionalità generate. L'elenco può essere matrice numpy o matrici sparse in cui ogni voce di matrice (raw_index, generated_index) è il peso per ogni coppia di funzionalità non elaborata e generata. Le altre voci sono impostate su zero. Per una sequenza di trasformazioni [t1, t2, ..., tn] che generano funzionalità generate da funzionalità non elaborate, l'elenco delle mappe delle funzionalità corrisponde alle mappe non elaborate per generare mappe nello stesso ordine di t1, t2 e così via. Se la mappa delle funzionalità non elaborata complessiva da t1 a tn è disponibile, è possibile passare la mappa delle funzionalità in un singolo elenco di elementi. |
|
raw_features
Necessario
|
Elenco facoltativo dei nomi delle funzionalità per le funzionalità non elaborate che possono essere specificate se il descrittore originale calcola la spiegazione sulle funzionalità ingegneriate. |
|
engineered_features
Necessario
|
Elenco facoltativo dei nomi delle funzionalità per le funzionalità ingegnerizzate che possono essere specificate se il spiegazione originale ha trasformazioni passate e calcola solo le importanza sulle funzionalità non elaborate. |
Metodi
| explain |
Usare il modello per l'assegnazione dei punteggi per approssimare i valori di importanza della funzionalità dei dati. |
| fit |
Implementare il metodo fittizio necessario per adattare l'interfaccia della pipeline scikit-learn. |
| predict |
Usare il modello treeExplainer e albero per ottenere i valori di importanza delle funzionalità dei dati. Esegue il wrapping della funzione .explain(). |
explain
Usare il modello per l'assegnazione dei punteggi per approssimare i valori di importanza della funzionalità dei dati.
abstract explain(evaluation_examples, get_raw)Parametri
| Nome | Descrizione |
|---|---|
|
evaluation_examples
Necessario
|
Matrice di esempi di vettore di funzionalità (# esempi x # funzionalità) su cui spiegare l'output del modello. |
|
get_raw
Necessario
|
Se True, i valori di importanza per le funzionalità non elaborate verranno restituiti. Se False, i valori di importanza per le funzionalità ingegneriate verranno restituiti. Se le trasformazioni e non specificate sono state passate al spiegazione originale, i valori di importanza non elaborati verranno restituiti . Se non specificato e feature_maps è stato passato al spiegazione dei punteggi, verranno restituiti i valori di importanza ingegnerizzati. |
Restituisce
| Tipo | Descrizione |
|---|---|
|
Per un modello con un singolo output, ad esempio la regressione, questo metodo restituisce una matrice di valori di importanza della funzionalità. Per i modelli con output vettoriali questa funzione restituisce un elenco di tali matrici, uno per ogni output. La dimensione di questa matrice è (# esempi x # funzionalità). |
fit
Implementare il metodo fittizio necessario per adattare l'interfaccia della pipeline scikit-learn.
fit(X, y=None)Parametri
| Nome | Descrizione |
|---|---|
|
X
Necessario
|
Dati di training. |
|
y
|
Destinazioni di formazione. Valore predefinito: None
|
predict
Usare il modello treeExplainer e albero per ottenere i valori di importanza delle funzionalità dei dati.
Esegue il wrapping della funzione .explain().
predict(evaluation_examples)Parametri
| Nome | Descrizione |
|---|---|
|
evaluation_examples
Necessario
|
Matrice di esempi di vettore di funzionalità (# esempi x # funzionalità) su cui spiegare l'output del modello. |
Restituisce
| Tipo | Descrizione |
|---|---|
|
Per un modello con un singolo output, ad esempio la regressione, viene restituita una matrice di valori di importanza delle funzionalità. Per i modelli con output vettoriali questa funzione restituisce un elenco di tali matrici, uno per ogni output. La dimensione di questa matrice è (# esempi x # funzionalità). |
Attributi
engineered_features
Ottenere i nomi delle funzionalità ingegneriati corrispondenti al parametro get_raw=False nella chiamata di spiegazione.
Se il descrittore originale aveva trasformazioni passate a esso, le funzionalità ingegneriate dovranno essere passate al costruttore di spiegazione dei punteggi usando il parametro engineered_features. In caso contrario, se le mappe delle funzionalità sono state passate al spiegazione dei punteggi, le funzionalità ingegneriate saranno uguali alle funzionalità.
Restituisce
| Tipo | Descrizione |
|---|---|
|
I nomi delle funzionalità ingegnericati o Nessuno se nessuna è stata specificata dall'utente. |
features
Ottenere i nomi delle funzionalità.
Restituisce i nomi di funzionalità predefiniti se get_raw non è specificato nella chiamata di spiegazione.
Restituisce
| Tipo | Descrizione |
|---|---|
|
I nomi delle funzionalità o Nessuno se nessuna è stata specificata dall'utente. |
raw_features
Ottenere i nomi delle funzionalità non elaborati corrispondenti al parametro get_raw=True nella chiamata spiegata.
Se il descrittore originale non ha passato trasformazioni e feature_maps sono stati passati al spiegazione dei punteggi, i nomi delle funzionalità non elaborati devono essere passati al costruttore di spiegazione dei punteggi usando il parametro raw_features. In caso contrario, le funzionalità non elaborate saranno uguali alle funzionalità.
Restituisce
| Tipo | Descrizione |
|---|---|
|
Nomi di funzionalità non elaborati o Nessuno se nessuna è stata specificata dall'utente. |