ScoringExplainer Класс

Определяет модель оценки.

Если параметр transformations передавался в original_explainer, эти преобразования будут отправлены в средство объяснения оценки. Это средство ожидает необработанные данные, и по умолчанию будут возвращаться значения важности для необработанных признаков. Если сюда передаются feature_maps (НЕ предназначенные для одновременного использования с transformations), то средство объяснения будет ожидать преобразованные данные, и по умолчанию значения важности будут возвращены для преобразованных данных. В любом случае выходные данные можно указать, явно задав значение True или False для get_raw в методе explain, который используется средством объяснения.

Инициализируйте ScoringExplainer.

Если параметр transformations передавался в original_explainer, эти преобразования будут отправлены в средство объяснения оценки. Это средство ожидает необработанные данные, и по умолчанию будут возвращаться значения важности для необработанных признаков. Если сюда передаются feature_maps (НЕ предназначенные для одновременного использования с transformations), то средство объяснения будет ожидать преобразованные данные, и по умолчанию значения важности будут возвращены для преобразованных данных. В любом случае выходные данные можно указать, явно задав значение True или False для get_raw в методе explain, который используется средством объяснения.

Наследование

azureml._logging.chained_identity.ChainedIdentity

ScoringExplainer

Конструктор

ScoringExplainer(original_explainer, feature_maps=None, raw_features=None, engineered_features=None, **kwargs)

Параметры

Имя	Описание
original_explainer Обязательно	<xref:interpret_community.common.base_explainer.BaseExplainer> Средство объяснения для времени обучения, первоначально использованное для объяснения модели.
feature_maps	list[ndarray] или list[csr_matrix] Список сопоставления необработанных и сформированных признаков. Список может представлять собой массивы numpy или разреженные матрицы, где каждая запись массива (raw_index, generated_index) представляет собой вес каждой пары необработанных и сформированных признаков. Остальные записи приравниваются к нулю. Для последовательности преобразований [t1, t2, ..., tn], создающей сформированные признаки из необработанных, в списке сопоставлений признаков сопоставления необработанных и сформированных признаков идут в том же порядке (t1, t2, и т. д.). Если доступно общее сопоставление необработанных и сформированных признаков от t1 до tn, можно передать только его в виде одного списка элементов. Default value: None
raw_features	list[str] Необязательный список имен признаков для необработанных признаков, которые можно указать, если исходное средство объяснения вычисляет объяснение на основе спроектированных признаков. Default value: None
engineered_features	list[str] Необязательный список имен признаков для спроектированных признаков, которые можно указать, если исходное средство объяснения передало преобразования и вычисляет только важность необработанных признаков. Default value: None
original_explainer Обязательно	<xref:interpret_community.common.base_explainer.BaseExplainer> Средство объяснения для времени обучения, первоначально использованное для объяснения модели.
feature_maps Обязательно	list[ndarray] или list[csr_matrix] Список сопоставления необработанных и сформированных признаков. Список может представлять собой массивы numpy или разреженные матрицы, где каждая запись массива (raw_index, generated_index) представляет собой вес каждой пары необработанных и сформированных признаков. Остальные записи приравниваются к нулю. Для последовательности преобразований [t1, t2, ..., tn], создающей сформированные признаки из необработанных, в списке сопоставлений признаков сопоставления необработанных и сформированных признаков идут в том же порядке (t1, t2, и т. д.). Если доступно общее сопоставление необработанных и сформированных признаков от t1 до tn, можно передать только его в виде одного списка элементов.
raw_features Обязательно	list[str] Необязательный список имен признаков для необработанных признаков, которые можно указать, если исходное средство объяснения вычисляет объяснение на основе спроектированных признаков.
engineered_features Обязательно	list[str] Необязательный список имен признаков для спроектированных признаков, которые можно указать, если исходное средство объяснения передало преобразования и вычисляет только важность необработанных признаков.

Методы

explain	Используйте модель оценки, чтобы аппроксимировать значения важности признаков для данных.
fit	Реализуйте фиктивный метод, необходимый, чтобы привести в соответствие интерфейс конвейера scikit-learn.
predict	Используйте для оценки TreeExplainer и модель дерева, чтобы получить значения важности признаков для данных. Создает программу-оболочку для функции .explain().

explain

Используйте модель оценки, чтобы аппроксимировать значения важности признаков для данных.

abstract explain(evaluation_examples, get_raw)

Параметры

Имя	Описание
evaluation_examples Обязательно	array или DataFrame или csr_matrix Матрица с примерами векторов признаков (кол-во примеров x кол-во признаков) для объяснения выходных данных модели.
get_raw Обязательно	bool Если указано значение True, будут возвращаться значения важности для необработанных признаков. Если задано значение False, будут возвращаться значения важности для сконструированных признаков. Если значение не указано, а в исходное средство объяснения передан параметр transformations, будут возвращаться значения важности для необработанных признаков. Если значение не указано, а в средство объяснения оценки передан параметр feature_maps, будут возвращаться значения важности сконструированных признаков.

Возвращаемое значение

Тип	Описание
list	Для модели с одним набором выходных данных, таким как регрессия, этот метод возвращает матрицу значений важности признаков. Для моделей с векторными выходными данными эта функция возвращает список таких матриц, по одной для каждого набора выходных данных. Размер такой матрицы: количество примеров x количество признаков.

fit

Реализуйте фиктивный метод, необходимый, чтобы привести в соответствие интерфейс конвейера scikit-learn.

fit(X, y=None)

Параметры

Имя	Описание
X Обязательно	Данные для обучения.
y	Цели обучения. Default value: None

predict

Используйте для оценки TreeExplainer и модель дерева, чтобы получить значения важности признаков для данных.

Создает программу-оболочку для функции .explain().

predict(evaluation_examples)

Параметры

Имя	Описание
evaluation_examples Обязательно	array или DataFrame или csr_matrix Матрица с примерами векторов признаков (кол-во примеров x кол-во признаков) для объяснения выходных данных модели.

Возвращаемое значение

Тип	Описание
list	Для модели с одним набором выходных данных, таким как регрессия, этот метод возвращает матрицу значений важности признаков. Для моделей с векторными выходными данными эта функция возвращает список таких матриц, по одной для каждого выхода. Размер такой матрицы: количество примеров x количество признаков.

Атрибуты

engineered_features

Получите имена спроектированных функций, соответствующие параметру get_raw=False при вызове explain.

Если в исходное средство объяснения были переданы преобразования, сконструированные признаки должны быть переданы конструктору средства объяснения оценки с помощью параметра engineered_features. В противном случае, если карты признаков были переданы в средство объяснения оценки, спроектированные признаки будут теми же, что и признаки.

Возвращаемое значение

Тип	Описание
list[str], None	Имена спроектированных компонентов или None, если они не были предоставлены пользователем.

features

Возвращает имена признаков.

Возвращает имена функций по умолчанию, если get_raw не указан при вызове explain.

Возвращаемое значение

Тип	Описание
list[str], None	Имена признаков или None, если пользователь их не предоставил.

raw_features

Получите необработанные имена функций, соответствующие параметру get_raw=True при вызове explain.

Если в исходное средство объяснения не были переданы преобразования, а feature_maps были переданы в средство объяснения оценки, необработанные имена признаков необходимо передать в конструктор средства объяснения оценки с помощью параметра raw_features. В противном случае необработанные признаки будут теми же, что и компоненты.

Возвращаемое значение

Тип	Описание
list[str], None	Необработанные имена функций или None, если они не были предоставлены пользователем.