ScoringExplainer Classe
Define um modelo de pontuação.
Se as transformações foram passadas no original_explainer, essas transformações serão transferidas para o explicador de pontuação que, por sua vez, esperará dados brutos e, por padrão, as importâncias serão retornadas para recursos brutos. Se feature_maps forem passados aqui (não se destinam a serem usados ao mesmo tempo que as transformações), o explicador esperará dados transformados e, por padrão, as importâncias serão retornadas para dados transformados. Em ambos os casos, a saída pode ser especificada definindo get_raw explicitamente como True ou False no método explain do explicador.
Inicialize o ScoreExplainer.
Se as transformações foram passadas no original_explainer, essas transformações serão transferidas para o explicador de pontuação que, por sua vez, esperará dados brutos e, por padrão, as importâncias serão retornadas para recursos brutos. Se feature_maps forem passados aqui (não se destinam a serem usados ao mesmo tempo que as transformações), o explicador esperará dados transformados e, por padrão, as importâncias serão retornadas para dados transformados. Em ambos os casos, a saída pode ser especificada definindo get_raw explicitamente como True ou False no método explain do explicador.
- Herança
-
azureml._logging.chained_identity.ChainedIdentityScoringExplainer
Construtor
ScoringExplainer(original_explainer, feature_maps=None, raw_features=None, engineered_features=None, **kwargs)Parâmetros
| Nome | Description |
|---|---|
|
original_explainer
Obrigatório
|
<xref:interpret_community.common.base_explainer.BaseExplainer>
O explicador de tempo de treinamento originalmente usado para explicar o modelo. |
|
feature_maps
|
Uma lista de mapas de recursos do recurso bruto para o gerado. A lista pode ser 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. Valor padrão: None
|
|
raw_features
|
Lista opcional de nomes de recursos para os recursos brutos que podem ser especificados se o explicador original calcular a explicação sobre os recursos projetados. Valor padrão: None
|
|
engineered_features
|
Lista opcional de nomes de recursos para os recursos projetados que podem ser especificados se o explicador original tiver transformações passadas e calcular apenas as importâncias nos recursos brutos. Valor padrão: None
|
|
original_explainer
Obrigatório
|
<xref:interpret_community.common.base_explainer.BaseExplainer>
O explicador de tempo de treinamento originalmente usado para explicar o modelo. |
|
feature_maps
Obrigatório
|
Uma lista de mapas de recursos do recurso bruto para o gerado. A lista pode ser 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. |
|
raw_features
Obrigatório
|
Lista opcional de nomes de recursos para os recursos brutos que podem ser especificados se o explicador original calcular a explicação sobre os recursos projetados. |
|
engineered_features
Obrigatório
|
Lista opcional de nomes de recursos para os recursos projetados que podem ser especificados se o explicador original tiver transformações passadas e calcular apenas as importâncias nos recursos brutos. |
Métodos
| explain |
Usa o modelo para pontuação para aproximar os valores de importância dos recursos dos dados. |
| fit |
Implementa o método fictício necessário para ajustar a interface de pipeline scikit-learn. |
| predict |
Usa o TreeExplainer e o modelo de árvore para pontuação para obter os valores de importância do recurso dos dados. Encapsula a função .explain(). |
explain
Usa o modelo para pontuação para aproximar os valores de importância dos recursos dos dados.
abstract explain(evaluation_examples, get_raw)Parâmetros
| Nome | Description |
|---|---|
|
evaluation_examples
Obrigatório
|
Uma matriz de exemplos de vetores de recursos (n.º exemplos x n.º recursos) para explicar a saída do modelo. |
|
get_raw
Obrigatório
|
Se for True, valores de importância para recursos brutos serão retornados. Se for False, valores de importância para recursos de engenharia serão retornados. Se não foi especificado e as transformações foram passadas para o explicador original, os valores brutos de importância são retornados. Se não foi especificado e o feature_maps foi passado para o explicador de pontuação, os valores de importâncias de engenharia serão retornados. |
Retornos
| Tipo | Description |
|---|---|
|
Para um modelo com uma saída única, como regressão, esse método retornará uma matriz de valores de importância do recurso. Para modelos com saídas vetoriais, essa função retorna uma lista dessas matrizes, uma para cada saída. A dimensão desta matriz é (n°. de exemplos x n°. de características). |
fit
Implementa o método fictício necessário para ajustar a interface de pipeline scikit-learn.
fit(X, y=None)Parâmetros
| Nome | Description |
|---|---|
|
X
Obrigatório
|
Dados de treinamento. |
|
y
|
Destinos de treinamento. Valor padrão: None
|
predict
Usa o TreeExplainer e o modelo de árvore para pontuação para obter os valores de importância do recurso dos dados.
Encapsula a função .explain().
predict(evaluation_examples)Parâmetros
| Nome | Description |
|---|---|
|
evaluation_examples
Obrigatório
|
Uma matriz de exemplos de vetores de recursos (n.º exemplos x n.º recursos) para explicar a saída do modelo. |
Retornos
| Tipo | Description |
|---|---|
|
Para um modelo com apenas uma saída, como regressão, isso retornará uma matriz de valores de importância do recurso. Para modelos com saídas vetoriais, essa função retorna uma lista dessas matrizes, uma para cada saída. A dimensão desta matriz é (n°. de exemplos x n°. de características). |
Atributos
engineered_features
Obtenha os nomes de recursos projetados correspondentes ao parâmetro get_raw=False na chamada explicada.
Se o explicador original tiver transformações passadas para ele, os recursos projetados precisarão ser passados para o construtor do explicador de pontuação usando o parâmetro engineered_features. Caso contrário, se os mapas de recursos forem passados para o explicador de pontuação, os recursos projetados serão os mesmos que os recursos.
Retornos
| Tipo | Description |
|---|---|
|
Os nomes de recursos projetados ou Nenhum se nenhum tiver sido dado pelo usuário. |
features
Obtenha os nomes do recurso.
Retorna os nomes de recursos padrão se get_raw não for especificado na chamada explicada.
Retornos
| Tipo | Description |
|---|---|
|
Os nomes dos recursos, ou Nenhum, se nenhum for fornecido pelo usuário. |
raw_features
Obtenha os nomes de recursos brutos correspondentes ao parâmetro get_raw=True na chamada explicada.
Se o explicador original não tiver transformações passadas para ele e feature_maps tiverem sido passados para o explicador de pontuação, os nomes de recursos brutos precisarão ser passados para o construtor do explicador de pontuação usando o parâmetro raw_features. Caso contrário, os recursos brutos serão os mesmos que os recursos.
Retornos
| Tipo | Description |
|---|---|
|
Os nomes de recursos brutos ou Nenhum se nenhum tiver sido dado pelo usuário. |