MimicWrapper 類別

包裝函式解譯器，可減少使用 explain 模型封裝所需的函式呼叫數目。

初始化 MimicWrapper。

' << ，接受 2d ndarray :p aram explainable_model：用來說明黑箱模型的未初始化 Surrogate 模型。

也稱為學生模型。

繼承

azureml._logging.chained_identity.ChainedIdentity

MimicWrapper

建構函式

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)

參數

名稱	Description
workspace 必要	Workspace 定義模型和資料集的工作區物件。
model 必要	str 或 <xref:<xref:model that implements sklearn.predict>()> 或 <xref:sklearn.predict_proba>() 或 <xref:<xref:pipeline function that accepts a 2d ndarray>> 註冊至 MMS 或一般機器學習模型或管線的模型識別碼，以說明。 如果指定模型，它必須實作 sklearn.predict () 或 sklearn.predict_proba () 。 如果指定管線，它必須包含可接受 2d ndarray 的函式。
explainable_model 必要	BaseExplainableModel 用來說明黑箱模型的未初始化 Surrogate 模型。 也稱為學生模型。
explainer_kwargs	dict 任何搭配所選解譯器的關鍵字引數，不在此說明。 初始化基礎說明工具時，它們會以 kwargs 的形式傳入。 預設值: None
init_dataset	str 或 array 或 DataFrame 或 csr_matrix 用來初始化解譯器的資料集識別碼或一般資料集 (例如x_train) 。 預設值: None
run	Run 執行此說明應該與 相關聯。 預設值: None
features	list[str] 功能名稱的清單。 預設值: None
classes	list[str] 類別名稱做為字串清單。 類別名稱的順序應該符合模型輸出的順序。 只有在說明分類器時才需要。 預設值: None
model_task	str 選擇性參數，可指定模型是分類或回歸模型。 在大部分情況下，可以根據輸出的形狀推斷模型類型，其中分類器具有predict_proba方法和輸出 2 維陣列，而回歸輸入器具有預測方法和輸出 1 維陣列。 預設值: ModelTask.Unknown
explain_subset	list[int] 功能索引的清單。 如果指定，Azure 只會選取評估資料集中的特徵子集以取得說明，這會在特徵數目很大且您已經知道一組有趣的特徵時，加速說明程式。 子集可以是模型摘要中的前 K 個特徵。 設定轉換時不支援此參數。 預設值: None
transformations	ColumnTransformer 或 list[tuple] sklearn.compose.ColumnTransformer 或描述資料行名稱和轉換程式的 Tuple 清單。 提供轉換時，說明是在轉換之前的功能。 轉換清單的格式與這裡的格式相同： https://github.com/scikit-learn-contrib/sklearn-pandas 。 如果您使用的轉換不在 解譯社群 套件所支援的 sklearn.preprocessing 轉換清單中，則此參數無法接受一個以上的資料行清單做為轉換的輸入。 您可以使用下列 sklearn.preprocessing 轉換搭配資料行清單，因為這些已經是一對多或一對一：Binarizer、KBinsDiscretizer、KernelCenterer、LabelEncoder、MaxAbsScaler、MinMaxScaler、Normalizer、OneHotEncoder、OrdinalEncoder、PowerTransformer、QuantileTransformer、RobustScaler、StandardScaler。 可運作的轉換範例： [ (["col1", "col2"], sklearn_one_hot_encoder), (["col3"], None) #col3 passes as is ] [ (["col1"], my_own_transformer), (["col2"], my_own_transformer), ] 轉換的範例會引發錯誤，因為它無法解譯為一對多： [ (["col1", "col2"], my_own_transformer) ] 最後一個範例無法運作，因為解譯社群套件無法判斷my_own_transformer在取得一連串資料行時，提供多對多或一對多對應。 應該只指定 'transformations' 或 'feature_maps' 中的一個參數來產生原始說明。 指定這兩者將會導致設定例外狀況。 預設值: None
feature_maps	list[array] 或 list[csr_matrix] 從原始到產生的特徵對應清單。 此參數可以是 numpy 陣列或疏鬆矩陣的清單，其中每個陣列專案 (raw_index，generated_index) 是每個原始產生的功能組權數。 其他專案會設定為零。 針對一連串轉換 [t1，t2， ...， tn] 從原始特徵產生產生的特徵，特徵對應清單會以與 t1、t2 等相同順序對應至產生的原始對應。如果從 t1 到 tn 的整體原始到產生的特徵對應可供使用，則可以傳遞單一元素清單中的該功能對應。 應該只指定 'transformations' 或 'feature_maps' 中的一個參數來產生原始說明。 指定這兩者將會導致設定例外狀況。 預設值: None
allow_all_transformations	bool 是否允許多對多和多對一轉換。 預設值: None
workspace 必要	Workspace 定義模型和資料集的工作區物件。
model 必要	str 或 <xref:<xref:model that implements sklearn.predict>()> 或 <xref:sklearn.predict_proba>() 或 <xref:<xref:pipeline function>> 註冊至 MMS 或一般機器學習模型或管線的模型識別碼，以說明。 如果指定模型，它必須實作 sklearn.predict () 或 sklearn.predict_proba () 。 如果指定管線，它必須包含可接受 2d ndarray 的函式。
explainer_kwargs 必要	dict 任何搭配所選解譯器的關鍵字引數，不在此說明。 初始化基礎說明工具時，它們會以 kwargs 的形式傳入。
init_dataset 必要	str 或 array 或 DataFrame 或 csr_matrix 用來初始化說明工具 (的資料集識別碼或一般資料集，例如x_train) 。
run 必要	Run 執行此說明應該與 相關聯。
features 必要	list[str] 功能名稱的清單。
classes 必要	list[str] 類別名稱做為字串清單。 類別名稱的順序應該符合模型輸出的順序。 只有在說明分類器時才需要。
model_task 必要	str 選擇性參數，可指定模型是分類或回歸模型。 在大部分情況下，可以根據輸出的形狀推斷模型類型，其中分類器具有predict_proba方法和輸出 2 維陣列，而回歸輸入器具有預測方法和輸出 1 維陣列。
explain_subset 必要	list[int] 功能索引的清單。 如果指定，則只會選取評估資料集中的特徵子集以取得說明，這會在特徵數目很大且使用者已經知道一組感興趣的功能時，加速說明程式。 子集可以是模型摘要中的前 K 個特徵。 設定轉換時，不支援這個引數。
transformations 必要	ColumnTransformer 或 list[tuple] sklearn.compose.ColumnTransformer 或描述資料行名稱和轉換程式的 Tuple 清單。 提供轉換時，說明是在轉換之前的功能。 轉換清單的格式與這裡的格式相同： https://github.com/scikit-learn-contrib/sklearn-pandas 。 如果您使用的轉換不在 解譯社群 套件所支援的 sklearn.preprocessing 轉換清單中，則此參數無法接受一個以上的資料行清單做為轉換的輸入。 您可以使用下列 sklearn.preprocessing 轉換搭配資料行清單，因為這些已經是一對多或一對一：Binarizer、KBinsDiscretizer、KernelCenterer、LabelEncoder、MaxAbsScaler、MinMaxScaler、Normalizer、OneHotEncoder、OrdinalEncoder、PowerTransformer、QuantileTransformer、RobustScaler、StandardScaler。 可運作的轉換範例： [ (["col1", "col2"], sklearn_one_hot_encoder), (["col3"], None) #col3 passes as is ] [ (["col1"], my_own_transformer), (["col2"], my_own_transformer), ] 轉換的範例會引發錯誤，因為它無法解譯為一對多： [ (["col1", "col2"], my_own_transformer) ] 最後一個範例無法運作，因為解譯社群套件無法判斷my_own_transformer在取得一連串資料行時，提供多對多或一對多對應。 應該只指定 'transformations' 或 'feature_maps' 中的一個參數來產生原始說明。 指定這兩者將會導致設定例外狀況。
feature_maps 必要	list[array] 或 list[csr_matrix] <xref::param allow_all_transformations: Whether to allow many to many and many to one transformations.> 從原始到產生的特徵對應清單。 此參數可以是 numpy 陣列或疏鬆矩陣的清單，其中每個陣列專案 (raw_index，generated_index) 是每個原始產生的功能組權數。 其他專案會設定為零。 針對一連串轉換 [t1，t2， ...， tn] 從原始特徵產生產生的特徵，特徵對應清單會以與 t1、t2 等相同順序對應至產生的原始對應。如果從 t1 到 tn 的整體原始到產生的特徵對應可供使用，則可以傳遞單一元素清單中的該功能對應。 應該只指定 'transformations' 或 'feature_maps' 中的一個參數來產生原始說明。 指定這兩者將會導致設定例外狀況。

備註

MimicWrapper 可用來說明機器學習模型，而且與 AutoML 特別有效。 例如，在模組中使用 <xref:azureml.train.automl.runtime.automl_explain_utilities> 函 automl_setup_model_explanations 式，您可以使用 MimicWrapper 來計算和視覺化特徵重要性。 如需詳細資訊，請參閱 自動化機器學習中的解譯性：模型說明。

在下列範例中，MimicWrapper 用於分類問題。

   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)

如需此範例的詳細資訊，請參閱此 筆記本。

方法

explain

說明模型的行為，並選擇性地上傳儲存體和視覺效果的說明。

explain

說明模型的行為，並選擇性地上傳儲存體和視覺效果的說明。

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)

參數

名稱	Description
explanation_types 必要	list[str] 字串清單，表示所需的說明類型。 目前支援 'global' 和 'local'。 這兩者一次可以傳入;只會傳回一個說明。
eval_dataset	str 或 array 或 DataFrame 或 csr_matrix 用來產生說明的資料集識別碼或一般資料集。 預設值: None
top_k	int 盡可能將傳回和儲存在執行歷程記錄中的資料量限制為前 k 個功能。 預設值: None
upload	bool 如果為 True，則說明會自動上傳至儲存體和視覺效果的執行歷程記錄。 如果在初始化時未傳入執行，則會建立一個。 預設值: True
upload_datasets	bool 如果設定為 True 且未傳入任何資料集識別碼，評估資料集將會上傳至 Azure 儲存體。 這可改善 Web 檢視中可用的視覺效果。 預設值: False
tag 必要	str 要附加至說明的字串，以在上傳後與其他人區別。
get_raw	bool 如果在初始化期間傳入 True 和 參數 feature_maps ，則傳回的說明將會用於原始特徵。 如果為 False 或未指定，則說明會與傳入的資料完全相同。 預設值: False
raw_feature_names	list[str] 原始特徵名稱的清單，取代建構函式的工程特徵名稱。 預設值: None
experiment_name	str 如果 upload 為 True，但初始化期間未傳入任何執行，則提供說明所需的名稱 預設值: explain_model
raw_eval_dataset	str 或 array 或 DataFrame 或 csr_matrix 要上傳的原始評估資料以進行原始說明。 預設值: None
true_ys	list | <xref:pandas.Dataframe> | ndarray 評估範例的真正標籤。 預設值: None

傳回

類型	Description
Explanation	說明物件。

屬性

explainer

取得包裝函式在內部使用的解譯器。

傳回

類型	Description
MimicExplainer	包裝函式內部使用的解譯器。