Udostępnij za pośrednictwem

MimicWrapper Klasa

  • Odwołanie

Objaśnienie otoki, które zmniejsza liczbę wywołań funkcji niezbędnych do korzystania z pakietu modelu wyjaśnień.

Zainicjuj program MimicWrapper.

"<<akceptuje 2d ndarray :p aram explainable_model: Niezainicjowany model zastępczy używany do wyjaśnienia modelu czarnej skrzynki.

Znany również jako model ucznia.

Dziedziczenie
azureml._logging.chained_identity.ChainedIdentity
MimicWrapper

Konstruktor

MimicWrapper(workspace, model, explainable_model, explainer_kwargs=None, init_dataset=None, run=None, features=None, classes=None, model_task=ModelTask.Unknown, explain_subset=None, transformations=None, feature_maps=None, allow_all_transformations=None)

Parametry

Nazwa Opis
workspace
Wymagane
Workspace

Obiekt obszaru roboczego, w którym zdefiniowano modele i zestawy danych.
model
Wymagane
str lub <xref:<xref:model that implements sklearn.predict>()> lub <xref:sklearn.predict_proba>() lub <xref:<xref:pipeline function that accepts a 2d ndarray>>

Identyfikator modelu zarejestrowanego w programie MMS lub zwykłym modelu uczenia maszynowego lub potoku w celu wyjaśnienia. Jeśli określono model, musi zaimplementować element sklearn.predict() lub sklearn.predict_proba(). Jeśli potok jest określony, musi zawierać funkcję, która akceptuje 2d ndarray.
explainable_model
Wymagane
BaseExplainableModel

Niezainicjowany model zastępczy używany do wyjaśnienia modelu czarnej skrzynki. Znany również jako model ucznia.
explainer_kwargs
dict

Wszelkie argumenty słów kluczowych, które przechodzą z wybranym wyjaśnieniem, w przeciwnym razie nie zostały tutaj omówione. Zostaną one przekazane jako kwargs, gdy podstawowy objaśnienie zostanie zainicjowane.

Domyślna wartość: None
init_dataset
str lub array lub DataFrame lub csr_matrix

Identyfikator zestawu danych lub zwykły zestaw danych używany do inicjowania modułu wyjaśniającego (np. x_train).

Domyślna wartość: None
run
Run

Uruchomienie tego wyjaśnienia powinno być skojarzone z.

Domyślna wartość: None
features
list[str]

Lista nazw funkcji.

Domyślna wartość: None
classes
list[str]

Nazwy klas jako lista ciągów. Kolejność nazw klas powinna być zgodna z danymi wyjściowymi modelu. Wymagane tylko w przypadku wyjaśnienia klasyfikatora.

Domyślna wartość: None
model_task
str

Opcjonalny parametr określający, czy model jest modelem klasyfikacji, czy regresji. W większości przypadków typ modelu można wywnioskować na podstawie kształtu danych wyjściowych, gdzie klasyfikator ma metodę predict_proba i wyprowadza tablicę 2 wymiarową, a regresor ma metodę przewidywania i wyprowadza tablicę wymiarową 1.

Domyślna wartość: ModelTask.Unknown
explain_subset
list[int]

Lista indeksów funkcji. Jeśli zostanie określony, platforma Azure wybiera tylko podzbiór funkcji w zestawie danych ewaluacyjnych w celu wyjaśnienia, co przyspieszy proces wyjaśnienia, gdy liczba funkcji jest duża i znasz już zestaw interesujących funkcji. Podzestaw może być top-k funkcji z podsumowania modelu. Ten parametr nie jest obsługiwany w przypadku ustawiania przekształceń.

Domyślna wartość: None
transformations
ColumnTransformer lub list[tuple]

Sklearn.compose.ColumnTransformer lub lista krotki opisujących nazwę kolumny i transformator. Po udostępnieniu przekształceń objaśnienia są cechami przed przekształceniem. Format listy przekształceń jest taki sam jak w tym miejscu: https://github.com/scikit-learn-contrib/sklearn-pandas.

Jeśli używasz przekształcenia, które nie znajduje się na liście przekształceń sklearn.preprocessing obsługiwanych przez pakiet interpret-community , ten parametr nie może przyjąć listy więcej niż jednej kolumny jako danych wejściowych dla transformacji. Można użyć następujących przekształceń sklearn.preprocessing z listą kolumn, ponieważ są one już jeden do wielu lub jeden do jednego: Binarizer, KBinsDiscretizer, KernelCenterer, LabelEncoder, MaxAbsScaler, MinMaxScaler, Normalizer, OneHotEncoder, OrdinalEncoder, PowerTransformer, QuantileTransformer, RobustScaler, StandardScaler.

Przykłady przekształceń, które działają:


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

Przykład przekształcenia, który zgłosi błąd, ponieważ nie można go zinterpretować jako jeden do wielu:


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

Ostatni przykład nie działa, ponieważ pakiet interpret-community nie może określić, czy my_own_transformer daje wiele do wielu mapowań w przypadku sekwencji kolumn.

Należy określić tylko jeden parametr z "transforms" lub "feature_maps", aby wygenerować nieprzetworzone wyjaśnienia. Określenie obu spowoduje wyjątek konfiguracji.

Domyślna wartość: None
feature_maps
list[array] lub list[csr_matrix]

Lista map funkcji z nieprzetworzonej do wygenerowanej funkcji. Ten parametr może być listą tablic numpy lub rozrzedzonych macierzy, gdzie każdy wpis tablicy (raw_index, generated_index) jest wagą dla każdej nieprzetworzonej, wygenerowanej pary cech. Pozostałe wpisy są ustawione na zero. W przypadku sekwencji przekształceń [t1, t2, ..., tn] generujących wygenerowane funkcje z nieprzetworzonych funkcji, lista map funkcji odpowiada nieprzetworzonym mapom wygenerowanym w tej samej kolejności co t1, t2 itp. Jeśli dostępna jest ogólna mapa funkcji nieprzetworzona do wygenerowanej z t1 do tn, można przekazać tylko tę mapę funkcji na jednej liście elementów.

Należy określić tylko jeden parametr z "transforms" lub "feature_maps", aby wygenerować nieprzetworzone wyjaśnienia. Określenie obu spowoduje wyjątek konfiguracji.

Domyślna wartość: None
allow_all_transformations
bool

Czy zezwolić wielu na wiele i wiele do jednego przekształcenia.

Domyślna wartość: None
workspace
Wymagane
Workspace

Obiekt obszaru roboczego, w którym zdefiniowano modele i zestawy danych.
model
Wymagane
str lub <xref:<xref:model that implements sklearn.predict>()> lub <xref:sklearn.predict_proba>() lub <xref:<xref:pipeline function>>

Identyfikator modelu zarejestrowanego w programie MMS lub zwykłym modelu uczenia maszynowego lub potoku w celu wyjaśnienia. Jeśli określono model, musi zaimplementować element sklearn.predict() lub sklearn.predict_proba(). Jeśli potok jest określony, musi zawierać funkcję, która akceptuje 2d ndarray.
explainer_kwargs
Wymagane
dict

Wszelkie argumenty słów kluczowych, które przechodzą z wybranym wyjaśnieniem, w przeciwnym razie nie zostały tutaj omówione. Zostaną one przekazane jako kwargs, gdy podstawowy objaśnienie zostanie zainicjowane.
init_dataset
Wymagane
str lub array lub DataFrame lub csr_matrix

Identyfikator zestawu danych lub zwykły zestaw danych używany do inicjowania objaśnienia (np. x_train).
run
Wymagane
Run

Uruchomienie tego wyjaśnienia powinno być skojarzone z.
features
Wymagane
list[str]

Lista nazw funkcji.
classes
Wymagane
list[str]

Nazwy klas jako lista ciągów. Kolejność nazw klas powinna być zgodna z danymi wyjściowymi modelu. Wymagane tylko w przypadku wyjaśnienia klasyfikatora.
model_task
Wymagane
str

Opcjonalny parametr określający, czy model jest modelem klasyfikacji, czy regresji. W większości przypadków typ modelu można wywnioskować na podstawie kształtu danych wyjściowych, gdzie klasyfikator ma metodę predict_proba i wyprowadza tablicę 2 wymiarową, a regresor ma metodę przewidywania i wyprowadza tablicę wymiarową 1.
explain_subset
Wymagane
list[int]

Lista indeksów funkcji. Jeśli zostanie określony, wybierze tylko podzbiór funkcji w zestawie danych oceny w celu wyjaśnienia, co przyspieszy proces wyjaśnienia, gdy liczba funkcji jest duża, a użytkownik zna już zestaw zainteresowanych funkcji. Podzestaw może być top-k funkcji z podsumowania modelu. Ten argument nie jest obsługiwany w przypadku ustawiania przekształceń.
transformations
Wymagane
ColumnTransformer lub list[tuple]

Sklearn.compose.ColumnTransformer lub lista krotki opisujących nazwę kolumny i transformator. Po udostępnieniu przekształceń objaśnienia są cechami przed przekształceniem. Format listy przekształceń jest taki sam jak w tym miejscu: https://github.com/scikit-learn-contrib/sklearn-pandas.

Jeśli używasz przekształcenia, które nie znajduje się na liście przekształceń sklearn.preprocessing obsługiwanych przez pakiet interpret-community , ten parametr nie może przyjąć listy więcej niż jednej kolumny jako danych wejściowych dla transformacji. Można użyć następujących przekształceń sklearn.preprocessing z listą kolumn, ponieważ są one już jeden do wielu lub jeden do jednego: Binarizer, KBinsDiscretizer, KernelCenterer, LabelEncoder, MaxAbsScaler, MinMaxScaler, Normalizer, OneHotEncoder, OrdinalEncoder, PowerTransformer, QuantileTransformer, RobustScaler, StandardScaler.

Przykłady przekształceń, które działają:


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

Przykład przekształcenia, który zgłosi błąd, ponieważ nie można go zinterpretować jako jeden do wielu:


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

Ostatni przykład nie działa, ponieważ pakiet interpret-community nie może określić, czy my_own_transformer daje wiele do wielu mapowań w przypadku sekwencji kolumn.

Należy określić tylko jeden parametr z "transforms" lub "feature_maps", aby wygenerować nieprzetworzone wyjaśnienia. Określenie obu spowoduje wyjątek konfiguracji.
feature_maps
Wymagane
list[array] lub list[csr_matrix] <xref::param allow_all_transformations: Whether to allow many to many and many to one transformations.>

Lista map funkcji z nieprzetworzonej do wygenerowanej funkcji. Ten parametr może być listą tablic numpy lub rozrzedzonych macierzy, gdzie każdy wpis tablicy (raw_index, generated_index) jest wagą dla każdej nieprzetworzonej, wygenerowanej pary cech. Pozostałe wpisy są ustawione na zero. W przypadku sekwencji przekształceń [t1, t2, ..., tn] generujących wygenerowane funkcje z nieprzetworzonych funkcji, lista map funkcji odpowiada nieprzetworzonym mapom wygenerowanym w tej samej kolejności co t1, t2 itp. Jeśli dostępna jest ogólna mapa funkcji nieprzetworzona do wygenerowanej z t1 do tn, można przekazać tylko tę mapę funkcji na jednej liście elementów.

Należy określić tylko jeden parametr z "transforms" lub "feature_maps", aby wygenerować nieprzetworzone wyjaśnienia. Określenie obu spowoduje wyjątek konfiguracji.

Uwagi

Program MimicWrapper może służyć do wyjaśniania modeli uczenia maszynowego i jest szczególnie skuteczny w połączeniu z rozwiązaniem AutoML. Na przykład przy użyciu automl_setup_model_explanations funkcji w <xref:azureml.train.automl.runtime.automl_explain_utilities> module można użyć programu MimicWrapper do obliczania i wizualizowania ważności funkcji. Aby uzyskać więcej informacji, zobacz Interpretowanie: wyjaśnienia modelu w zautomatyzowanym uczeniu maszynowym.

W poniższym przykładzie program MimicWrapper jest używany w problemie klasyfikacji.


   from azureml.interpret.mimic_wrapper import MimicWrapper
   explainer = MimicWrapper(ws, automl_explainer_setup_obj.automl_estimator,
                explainable_model=automl_explainer_setup_obj.surrogate_model,
                init_dataset=automl_explainer_setup_obj.X_transform, run=automl_run,
                features=automl_explainer_setup_obj.engineered_feature_names,
                feature_maps=[automl_explainer_setup_obj.feature_map],
                classes=automl_explainer_setup_obj.classes,
                explainer_kwargs=automl_explainer_setup_obj.surrogate_model_params)

Aby uzyskać więcej informacji na temat tego przykładu, zobacz ten notes.

Metody

explain

Wyjaśnij zachowanie modelu i opcjonalnie przekaż to wyjaśnienie dotyczące magazynu i wizualizacji.

explain

Wyjaśnij zachowanie modelu i opcjonalnie przekaż to wyjaśnienie dotyczące magazynu i wizualizacji.

explain(explanation_types, eval_dataset=None, top_k=None, upload=True, upload_datasets=False, tag='', get_raw=False, raw_feature_names=None, experiment_name='explain_model', raw_eval_dataset=None, true_ys=None)

Parametry

Nazwa Opis
explanation_types
Wymagane
list[str]

Lista ciągów reprezentujących żądane typy wyjaśnień. Obecnie obsługiwane są "globalne" i "lokalne". Oba mogą być przekazywane jednocześnie; zostanie zwrócone tylko jedno wyjaśnienie.
eval_dataset
str lub array lub DataFrame lub csr_matrix

Identyfikator zestawu danych lub zwykły zestaw danych używany do generowania wyjaśnienia.

Domyślna wartość: None
top_k
int

Ogranicz ilość danych zwracanych i przechowywanych w historii uruchamiania do najważniejszych funkcji k, jeśli to możliwe.

Domyślna wartość: None
upload
bool

Jeśli prawda, wyjaśnienie zostanie automatycznie przekazane do historii uruchamiania dla magazynu i wizualizacji. Jeśli przebieg nie został przekazany podczas inicjowania, zostanie utworzony.

Domyślna wartość: True
upload_datasets
bool

Jeśli ustawiono wartość True i nie przekazano żadnych identyfikatorów zestawów danych, zestaw danych oceny zostanie przekazany do usługi Azure Storage. Poprawi to wizualizację dostępną w widoku internetowym.

Domyślna wartość: False
tag
Wymagane
str

Ciąg do dołączenia do wyjaśnienia, aby odróżnić go od innych po przekazaniu.
get_raw
bool

Jeśli wartość True i parametr feature_maps został przekazany podczas inicjowania, zwrócone wyjaśnienie będzie dotyczyło nieprzetworzonych funkcji. Jeśli wartość False lub nie zostanie określona, wyjaśnienie będzie dotyczyć danych dokładnie tak, jak są przekazywane.

Domyślna wartość: False
raw_feature_names
list[str]

Lista nieprzetworzonych nazw cech, zastępując nazwy cech zaprojektowanych z konstruktora.

Domyślna wartość: None
experiment_name
str

Żądana nazwa, aby podać wyjaśnienie, jeśli upload ma wartość True, ale podczas inicjowania nie przekazano żadnego przebiegu

Domyślna wartość: explain_model
raw_eval_dataset
str lub array lub DataFrame lub csr_matrix

Nieprzetworzone dane oceny, które mają zostać przekazane w celu uzyskania nieprzetworzonych wyjaśnień.

Domyślna wartość: None
true_ys
list | <xref:pandas.Dataframe> | ndarray

Prawdziwe etykiety dla przykładów oceny.

Domyślna wartość: None

Zwraca

Typ Opis
Explanation

Obiekt wyjaśnienia.

Atrybuty

explainer

Uzyskaj objaśnienie, które jest używane wewnętrznie przez otokę.

Zwraca

Typ Opis
MimicExplainer

Objaśnienie, które jest używane wewnętrznie przez otokę.