欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

python機器學習Github已達8.9Kstars模型解釋器LIME

 更新時間:2021年11月23日 09:10:24   作者:Python學習與數(shù)據(jù)挖掘  
這篇文章主要為大家介紹了Github已達8.9Kstars的最佳模型解釋器LIME的使用示例及功能詳解,有需要的朋友可以借鑒參考下,希望能夠有所幫助

簡單的模型例如線性回歸,LR等模型非常易于解釋,但在實際應用中的效果卻遠遠低于復雜的梯度提升樹模型以及神經(jīng)網(wǎng)絡等模型。

現(xiàn)在大部分互聯(lián)網(wǎng)公司的建模都是基于梯度提升樹或者神經(jīng)網(wǎng)絡模型等復雜模型,遺憾的是,這些模型雖然效果好,但是我們卻較難對其進行很好地解釋,這也是目前一直困擾著大家的一個重要問題,現(xiàn)在大家也越來越加關注模型的解釋性。

本文介紹一種解釋機器學習模型輸出的方法LIME。它可以認為是SHARP的升級版,Github鏈接:https://github.com/marcotcr/lime,有所收獲多多支持

LIME

LIME(Local Interpretable Model-agnostic Explanations)支持的模型包括:

  • 結構化模型的解釋;
  • 文本分類器的解釋;
  • 圖像分類器的解釋;

LIME被用作解釋機器學習模型的解釋,通過LIME我們可以知道為什么模型會這樣進行預測。

本文我們就重點觀測一下LIME是如何對預測結果進行解釋的。

代 碼

此處我們使用winequality-white數(shù)據(jù)集,并且將quality<=5設置為0,其它的值轉變?yōu)?.

# !pip install lime
import pandas as pd
from xgboost import XGBClassifier
import shap
import numpy as np
from sklearn.model_selection import train_test_split
df = pd.read_csv('./data/winequality-white.csv',sep = ';')
df['quality'] = df['quality'].apply(lambda x: 0 if x <= 5 else 1)
df.head()

在這里插入圖片描述

# 訓練集測試集分割
X = df.drop('quality', axis=1)
y = df['quality'] 
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=1)
# 模型訓練
model = XGBClassifier(n_estimators = 100, random_state=42)
model.fit(X_train, y_train)
score = model.score(X_test, y_test)
score

The use of label encoder in XGBClassifier is deprecated and will be removed in a future release. 0.832653061224489

對單個樣本進行預測解釋

下面的圖中表明了單個樣本的預測值中各個特征的貢獻。

import lime
from lime import lime_tabular
explainer = lime_tabular.LimeTabularExplainer(
    training_data=np.array(X_train),
    feature_names=X_train.columns,
    class_names=['bad', 'good'],
    mode='classification'
)

模型有84%的置信度是壞的wine,而其中alcohol,totals ulfur dioxide是最重要的。

在這里插入圖片描述

import lime
from lime import lime_tabular
explainer = lime_tabular.LimeTabularExplainer(
    training_data=np.array(X_train),
    feature_names=X_train.columns,
    class_names=['bad', 'good'],
    mode='classification'
)

模型有59%的置信度是壞的wine,而其中alcohol,chlorides, density, citric acid是最重要的預測參考因素。

在這里插入圖片描述

exp = explainer.explain_instance(data_row=X_test.iloc[1], predict_fn=model.predict_proba)
exp.show_in_notebook(show_table=True)

適用問題

LIME可以認為是SHARP的升級版,它通過預測結果解釋機器學習模型很簡單。它為我們提供了一個很好的方式來向非技術人員解釋地下發(fā)生了什么。您不必擔心數(shù)據(jù)可視化,因為LIME庫會為您處理數(shù)據(jù)可視化。

參考鏈接

https://www.kaggle.com/piyushagni5/white-wine-quality
LIME: How to Interpret Machine Learning Models With Python
https://github.com/marcotcr/lime
https://mp.weixin.qq.com/s/47omhEeHqJdQTtciLIN2Hw

以上就是Github已達8.9Kstars的最佳模型解釋器LIME的詳細內容,更多關于模型解釋器LIME的資料請關注腳本之家其它相關文章!

相關文章

  • python-序列解包(對可迭代元素的快速取值方法)

    python-序列解包(對可迭代元素的快速取值方法)

    今天小編就為大家分享一篇python-序列解包(對可迭代元素的快速取值方法),具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧
    2019-08-08
  • python中正則表達式findall的用法實例

    python中正則表達式findall的用法實例

    在寫著自動化測試的腳本時重新復習了一下正則表達式findall()方法,下面這篇文章主要給大家介紹了關于python中正則表達式findall用法的相關資料,文中通過實例代碼介紹的非常詳細,需要的朋友可以參考下
    2022-09-09
  • python發(fā)送告警郵件腳本

    python發(fā)送告警郵件腳本

    這篇文章主要介紹了python發(fā)送告警郵件腳本的配置方法,zabbix通過python腳本發(fā)告警郵件,具有一定的參考價值,感興趣的小伙伴們可以參考一下
    2018-09-09
  • python求絕對值的三種方法小結

    python求絕對值的三種方法小結

    今天小編就為大家分享一篇python求絕對值的三種方法小結,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧
    2019-12-12
  • 淺談Python中的zip()與*zip()函數(shù)詳解

    淺談Python中的zip()與*zip()函數(shù)詳解

    這篇文章主要介紹了淺談Python中的zip()與*zip()函數(shù)詳解,小編覺得挺不錯的,現(xiàn)在分享給大家,也給大家做個參考。一起跟隨小編過來看看吧
    2018-02-02
  • djang常用查詢SQL語句的使用代碼

    djang常用查詢SQL語句的使用代碼

    這篇文章主要介紹了djang常用查詢SQL語句的使用代碼,文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友們下面隨著小編來一起學習學習吧
    2019-02-02
  • 如何基于pythonnet調用halcon腳本

    如何基于pythonnet調用halcon腳本

    這篇文章主要介紹了如何基于pythonnet調用halcon腳本,文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下
    2020-01-01
  • Pytorch 多維數(shù)組運算過程的索引處理方式

    Pytorch 多維數(shù)組運算過程的索引處理方式

    今天小編就為大家分享一篇Pytorch 多維數(shù)組運算過程的索引處理方式,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧
    2019-12-12
  • python利用有道翻譯實現(xiàn)

    python利用有道翻譯實現(xiàn)"語言翻譯器"的功能實例

    小編就為大家分享一篇python利用有道翻譯實現(xiàn)"語言翻譯器"的功能實例。具有比較好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧
    2017-11-11
  • matlab灰度圖像調整及imadjust函數(shù)的用法詳解

    matlab灰度圖像調整及imadjust函數(shù)的用法詳解

    這篇文章主要介紹了matlab圖像灰度調整及imadjust函數(shù)的用法詳解,本文通過實例代碼給大家介紹的非常詳細,具有一定的參考借鑒價值,需要的朋友可以參考下
    2020-02-02

最新評論