MimicWrapper Classe

O objeto de espaço de trabalho em que os modelos e conjuntos de dados são definidos.

A ID de um modelo registrado no MMS ou em um pipeline ou modelo de aprendizado de máquina regular a ser explicado. Se um modelo for especificado, ele deverá implementar sklearn.predict() ou sklearn.predict_proba(). Se um pipeline for especificado, ele deverá incluir uma função que aceite uma segunda matriz.

O modelo substituto não reinicializado usado para explicar o modelo de caixa preta. Também conhecido como o modelo de aluno.

Os argumentos de palavra-chave juntos ao explicador escolhido não são abordados aqui. Eles serão passados como kwargs quando o explicador subjacente for inicializado.

A ID do conjuntos de dados ou o conjuntos de dados regulares usados para inicializar o explicador (por exemplo, x_train).

A execução nessa explicação deve ser associada.

Uma lista de nomes de recursos.

Nomes de classe como uma lista de cadeias de caracteres. A ordem dos nomes de classe deve corresponder à da saída do modelo. Necessário somente se estiver explicando o classificador.

Parâmetro opcional para especificar se o modelo é um modelo de classificação ou regressão. Na maioria dos casos, o tipo do modelo pode ser inferido com base na forma da saída, em que um classificador tem um método predict_proba e saída de uma matriz bidimensional, enquanto um regressor tem um método de previsão e saída de uma matriz dimensional 1.

Uma lista de índices de recursos. Se especificado, o Azure seleciona somente um subconjunto dos recursos no conjunto de dados de avaliação para explicação, o que acelerará o processo de explicação quando o número de recursos for grande e você já conhecer o conjunto de recursos interessantes. O subconjunto pode ser os principais recursos do resumo do modelo. Não há suporte para esse parâmetro quando as transformações estão definidas.

Um sklearn.compose.ColumnTransformer ou uma lista de tuplas que descrevem o nome da coluna e o transformador. Quando as transformações são fornecidas, as explicações são dos recursos antes da transformação. O formato de uma lista de transformações é o mesmo que o encontrado aqui: https://github.com/scikit-learn-contrib/sklearn-pandas.

Se você estiver usando uma transformação que não está na lista de transformações sklearn.preprocessing com suporte pelo pacote interpret-community, esse parâmetro não poderá obter uma lista de mais de uma coluna como entrada para a transformação. Você pode usar as seguintes transformações sklearn.preprocessing com uma lista de colunas, pois elas já são uma para muitas ou uma para uma: Binarizer, KBinsDiscretizer, KernelCenterer, LabelEncoder, MaxAbsScaler, MinMaxScaler, Normalizer, OneHotEncoder, OrdinalEncoder, PowerTransformer, QuantileTransformer, RobustScaler, StandardScaler.

Exemplos de transformações que funcionam:

   [
       (["col1", "col2"], sklearn_one_hot_encoder),
       (["col3"], None) #col3 passes as is
   ]
   [
       (["col1"], my_own_transformer),
       (["col2"], my_own_transformer),
   ]

Um exemplo de uma transformação que gera um erro, pois ele não pode ser interpretado como um para muitos:

   [
       (["col1", "col2"], my_own_transformer)
   ]

O último exemplo não funcionaria, pois o pacote interpret-community não pode determinar se my_own_transformer fornece um mapeamento muitos para muitos ou um para muitos ao fazer uma sequência de colunas.

Apenas um parâmetro de 'transformações' ou 'feature_maps' deve ser especificado para gerar explicações brutas. Especificar ambos resultará em exceção de configuração.

Uma lista de mapas de recursos do recurso bruto para o gerado. Este parâmetro pode ser uma lista de matrizes numpy ou matrizes esparsas em que cada entrada de matriz (raw_index, generate_index) é o peso de cada par de recursos bruto e gerado. As outras entradas são definidas como zero. Para uma sequência de transformações [t1, t2,..., tn] gerando recursos gerados de recursos brutos, a lista de mapas de recursos corresponde aos mapas brutos para mapas gerados na mesma ordem que t1, t2 etc. Se o mapa de recursos bruto para gerado geral de t1 a tn estiver disponível, apenas esse mapa de recursos em uma lista de elemento único poderá ser passado.

Apenas um parâmetro de 'transformações' ou 'feature_maps' deve ser especificado para gerar explicações brutas. Especificar ambos resultará em exceção de configuração.

Se deve permitir muitas transformações para muitos e muitas para um.

O objeto de espaço de trabalho em que os modelos e conjuntos de dados são definidos.

A ID de um modelo registrado no MMS ou em um pipeline ou modelo de aprendizado de máquina regular a ser explicado. Se um modelo for especificado, ele deverá implementar sklearn.predict() ou sklearn.predict_proba(). Se um pipeline for especificado, ele deverá incluir uma função que aceite uma segunda matriz.

Os argumentos de palavra-chave juntos ao explicador escolhido não são abordados aqui. Eles serão passados como kwargs quando o explicador subjacente for inicializado.

A ID do conjunto de dados ou o conjunto de dados regular usado para inicializar o explicador (por exemplo, x_train).

A execução nessa explicação deve ser associada.

Uma lista de nomes de recursos.

Nomes de classe como uma lista de cadeias de caracteres. A ordem dos nomes de classe deve corresponder à da saída do modelo. Necessário somente se estiver explicando o classificador.

Parâmetro opcional para especificar se o modelo é um modelo de classificação ou regressão. Na maioria dos casos, o tipo do modelo pode ser inferido com base na forma da saída, em que um classificador tem um método predict_proba e saída de uma matriz bidimensional, enquanto um regressor tem um método de previsão e saída de uma matriz dimensional 1.

Lista de índices de recursos. Se especificado, seleciona apenas um subconjunto dos recursos no conjunto de dados de avaliação para explicação, o que acelerará o processo de explicação quando o número de recursos for grande e o usuário já conhecer o conjunto de recursos interessados. O subconjunto pode ser os principais recursos do resumo do modelo. Não há suporte para esse argumento quando as transformações são definidas.

Um sklearn.compose.ColumnTransformer ou uma lista de tuplas que descrevem o nome da coluna e o transformador. Quando as transformações são fornecidas, as explicações são dos recursos antes da transformação. O formato de uma lista de transformações é o mesmo que o encontrado aqui: https://github.com/scikit-learn-contrib/sklearn-pandas.

Se você estiver usando uma transformação que não está na lista de transformações sklearn.preprocessing com suporte pelo pacote interpret-community, esse parâmetro não poderá obter uma lista de mais de uma coluna como entrada para a transformação. Você pode usar as seguintes transformações sklearn.preprocessing com uma lista de colunas, pois elas já são uma para muitas ou uma para uma: Binarizer, KBinsDiscretizer, KernelCenterer, LabelEncoder, MaxAbsScaler, MinMaxScaler, Normalizer, OneHotEncoder, OrdinalEncoder, PowerTransformer, QuantileTransformer, RobustScaler, StandardScaler.

Exemplos de transformações que funcionam:

   [
       (["col1", "col2"], sklearn_one_hot_encoder),
       (["col3"], None) #col3 passes as is
   ]
   [
       (["col1"], my_own_transformer),
       (["col2"], my_own_transformer),
   ]

Um exemplo de uma transformação que gera um erro, pois ele não pode ser interpretado como um para muitos:

   [
       (["col1", "col2"], my_own_transformer)
   ]

O último exemplo não funcionaria, pois o pacote interpret-community não pode determinar se my_own_transformer fornece um mapeamento muitos para muitos ou um para muitos ao fazer uma sequência de colunas.

Apenas um parâmetro de 'transformações' ou 'feature_maps' deve ser especificado para gerar explicações brutas. Especificar ambos resultará em exceção de configuração.

Uma lista de mapas de recursos do recurso bruto para o gerado. Este parâmetro pode ser uma lista de matrizes numpy ou matrizes esparsas em que cada entrada de matriz (raw_index, generate_index) é o peso de cada par de recursos bruto e gerado. As outras entradas são definidas como zero. Para uma sequência de transformações [t1, t2,..., tn] gerando recursos gerados de recursos brutos, a lista de mapas de recursos corresponde aos mapas brutos para mapas gerados na mesma ordem que t1, t2 etc. Se o mapa de recursos bruto para gerado geral de t1 a tn estiver disponível, apenas esse mapa de recursos em uma lista de elemento único poderá ser passado.

Apenas um parâmetro de 'transformações' ou 'feature_maps' deve ser especificado para gerar explicações brutas. Especificar ambos resultará em exceção de configuração.