ScoringExplainer 类
定义评分模型。
如果在original_explainer传递转换，这些转换将传递到评分解释器，它将预期原始数据，默认情况下，原始特征将返回重要性。 如果在此处传递 feature_maps （不打算在 转换时使用），解释器将期望转换的数据，并且默认情况下，转换后的数据将返回重要性。 无论哪种情况，都可以通过在解释器解释方法上将get_raw显式设置为 True 或 False 来指定输出。
初始化 ScoringExplainer。
如果在original_explainer传递转换，这些转换将传递到评分解释器，它将预期原始数据，默认情况下，原始特征将返回重要性。 如果在此处传递 feature_maps （不打算在 转换时使用），解释器将期望转换的数据，并且默认情况下，转换后的数据将返回重要性。 无论哪种情况，都可以通过在解释器解释方法上将get_raw显式设置为 True 或 False 来指定输出。
构造函数
ScoringExplainer(original_explainer, feature_maps=None, raw_features=None, engineered_features=None, **kwargs)参数
| 名称 | 说明 |
|---|---|
|
original_explainer
必需
|
<xref:interpret_community.common.base_explainer.BaseExplainer>
训练时解释器最初用于解释模型。 |
|
feature_maps
|
从原始特征映射到生成的特征的列表。 列表可以是 numpy 数组或稀疏矩阵，其中每个数组项（raw_index，generated_index）是每个原始生成的特征对的权重。 其他条目设置为零。 对于 [t1， t2， ...， tn] 从原始特征生成生成的特征的序列，特征映射列表对应于原始到生成的映射，顺序与 t1、t2 等相同。如果从 t1 到 tn 的总体原始特征映射可用，则可以传递单个元素列表中的该功能映射。 默认值: None
|
|
raw_features
|
如果原始解释器计算工程特征的解释，则可以指定原始特征的特征名称的可选列表。 默认值: None
|
|
engineered_features
|
如果原始解释器传递了转换，并且仅计算原始特征的重要性，则可以指定工程特征的特征名称的可选列表。 默认值: None
|
|
original_explainer
必需
|
<xref:interpret_community.common.base_explainer.BaseExplainer>
训练时解释器最初用于解释模型。 |
|
feature_maps
必需
|
从原始特征映射到生成的特征的列表。 列表可以是 numpy 数组或稀疏矩阵，其中每个数组项（raw_index，generated_index）是每个原始生成的特征对的权重。 其他条目设置为零。 对于 [t1， t2， ...， tn] 从原始特征生成生成的特征的序列，特征映射列表对应于原始到生成的映射，顺序与 t1、t2 等相同。如果从 t1 到 tn 的总体原始特征映射可用，则可以传递单个元素列表中的该功能映射。 |
|
raw_features
必需
|
如果原始解释器计算工程特征的解释，则可以指定原始特征的特征名称的可选列表。 |
|
engineered_features
必需
|
如果原始解释器传递了转换，并且仅计算原始特征的重要性，则可以指定工程特征的特征名称的可选列表。 |
方法
| explain |
使用模型进行评分以近似地估计数据的特征重要性值。 |
| fit |
实现适合 scikit-learn 管道接口所需的虚拟方法。 |
| predict |
使用 TreeExplainer 和树模型进行评分以获取数据的特征重要性值。 包装 .explain（） 函数。 |
explain
使用模型进行评分以近似地估计数据的特征重要性值。
abstract explain(evaluation_examples, get_raw)参数
| 名称 | 说明 |
|---|---|
|
evaluation_examples
必需
|
特征向量示例（# 示例 x # 特征）的矩阵，用于解释模型的输出。 |
|
get_raw
必需
|
如果为 True，将返回原始特征的重要性值。 如果为 False，则返回工程特征的重要性值。 如果未指定且 转换 传递到原始解释器中，将返回原始重要性值。 如果未指定且 feature_maps 传递到评分解释器中，则会返回工程的重要性值。 |
返回
| 类型 | 说明 |
|---|---|
|
对于具有单个输出（如回归）的模型，此方法返回特征重要性值的矩阵。 对于具有矢量输出的模型，此函数返回此类矩阵的列表，每个输出对应一个。 此矩阵的维度为 （# 示例 x # 特征）。 |
fit
实现适合 scikit-learn 管道接口所需的虚拟方法。
fit(X, y=None)参数
| 名称 | 说明 |
|---|---|
|
X
必需
|
训练数据。 |
|
y
|
训练目标。 默认值: None
|
predict
使用 TreeExplainer 和树模型进行评分以获取数据的特征重要性值。
包装 .explain（） 函数。
predict(evaluation_examples)参数
| 名称 | 说明 |
|---|---|
|
evaluation_examples
必需
|
特征向量示例（# 示例 x # 特征）的矩阵，用于解释模型的输出。 |
返回
| 类型 | 说明 |
|---|---|
|
对于具有单个输出（如回归）的模型，这将返回特征重要性值的矩阵。 对于具有矢量输出的模型，此函数返回此类矩阵的列表，每个输出对应一个。 此矩阵的维度为 （# 示例 x # 特征）。 |