ScoringExplainer Klasse
Definiert ein Bewertungsmodell
Wenn transformations an original_explainer übergeben wurden, werden diese Transformationen an ScoringExplainer übergeben. Hier werden Rohdaten erwartet und standardmäßig Relevanzen für Rohfeatures zurückgegeben. Wenn feature_maps übergeben werden (NICHT für die gleichzeitige Verwendung mit transformations vorgesehen), erwartet der Explainer transformierte Daten, und es werden standardmäßig Relevanzen für transformierte Daten zurückgegeben. In beiden Fällen kann die Ausgabe angegeben werden, indem get_raw in der explain-Methode des Erklärmoduls explizit auf „True“ oder „False“ festgelegt wird.
Initialisieren Sie scoringExplainer.
Wenn transformations an original_explainer übergeben wurden, werden diese Transformationen an ScoringExplainer übergeben. Hier werden Rohdaten erwartet und standardmäßig Relevanzen für Rohfeatures zurückgegeben. Wenn feature_maps übergeben werden (NICHT für die gleichzeitige Verwendung mit transformations vorgesehen), erwartet der Explainer transformierte Daten, und es werden standardmäßig Relevanzen für transformierte Daten zurückgegeben. In beiden Fällen kann die Ausgabe angegeben werden, indem get_raw in der explain-Methode des Erklärmoduls explizit auf „True“ oder „False“ festgelegt wird.
- Vererbung
-
azureml._logging.chained_identity.ChainedIdentityScoringExplainer
Konstruktor
ScoringExplainer(original_explainer, feature_maps=None, raw_features=None, engineered_features=None, **kwargs)Parameter
| Name | Beschreibung |
|---|---|
|
original_explainer
Erforderlich
|
<xref:interpret_community.common.base_explainer.BaseExplainer>
Der „training_time_explainer“, der ursprünglich zur Erklärung des Modells verwendet wurde |
|
feature_maps
|
Eine Liste von Featurezuordnungen von rohen zu generierten Features. Die Liste kann aus Numpy-Arrays oder spärlichen Matrizen bestehen, wobei jeder Arrayeintrag (raw_index, generated_index) der Gewichtung für jedes rohe, generierte Featurepaar entspricht. Die anderen Einträge werden auf „null“ festgelegt. Bei einer Transformationssequenz [t1, t2, …, tn], in der generierte Features aus Rohfeatures entstehen, entspricht die Liste der Featurezuordnungen den Zuordnungen von roh zu generiert in derselben Reihenfolge wie t1, t2 und so weiter. Wenn die gesamte Featurezuordnung von roh zu generiert von t1 bis tn verfügbar ist, kann nur diese Featurezuordnung in einer einzelnen Elementliste übergeben werden. Standardwert: None
|
|
raw_features
|
Optionale Liste der Featurenamen für die unformatierten Features, die angegeben werden können, wenn der ursprüngliche Erklärer die Erklärung für die entwickelten Features berechnet. Standardwert: None
|
|
engineered_features
|
Optionale Liste der Featurenamen für die entwickelten Features, die angegeben werden können, wenn für den ursprünglichen Erklärer Transformationen übergeben wurden, und berechnet nur die Wichtigkeiten für die rohen Features. Standardwert: None
|
|
original_explainer
Erforderlich
|
<xref:interpret_community.common.base_explainer.BaseExplainer>
Der „training_time_explainer“, der ursprünglich zur Erklärung des Modells verwendet wurde |
|
feature_maps
Erforderlich
|
Eine Liste von Featurezuordnungen von rohen zu generierten Features. Die Liste kann aus Numpy-Arrays oder spärlichen Matrizen bestehen, wobei jeder Arrayeintrag (raw_index, generated_index) der Gewichtung für jedes rohe, generierte Featurepaar entspricht. Die anderen Einträge werden auf „null“ festgelegt. Bei einer Transformationssequenz [t1, t2, …, tn], in der generierte Features aus Rohfeatures entstehen, entspricht die Liste der Featurezuordnungen den Zuordnungen von roh zu generiert in derselben Reihenfolge wie t1, t2 und so weiter. Wenn die gesamte Featurezuordnung von roh zu generiert von t1 bis tn verfügbar ist, kann nur diese Featurezuordnung in einer einzelnen Elementliste übergeben werden. |
|
raw_features
Erforderlich
|
Optionale Liste der Featurenamen für die unformatierten Features, die angegeben werden können, wenn der ursprüngliche Erklärer die Erklärung für die entwickelten Features berechnet. |
|
engineered_features
Erforderlich
|
Optionale Liste der Featurenamen für die entwickelten Features, die angegeben werden können, wenn für den ursprünglichen Erklärer Transformationen übergeben wurden, und berechnet nur die Wichtigkeiten für die rohen Features. |
Methoden
| explain |
Verwenden Sie das Modell für die Bewertung, um sich den Featurerelevanzwerten der Daten anzunähern. |
| fit |
Implementieren Sie die Dummymethode, die für die scikit-learn-Pipelineschnittstelle erforderlich ist. |
| predict |
Verwenden Sie „TreeExplainer“ und das Strukturmodell für die Bewertung, um die Featurerelevanzwerte der Daten abzurufen. Umschließt die Funktion „.explain()“ |
explain
Verwenden Sie das Modell für die Bewertung, um sich den Featurerelevanzwerten der Daten anzunähern.
abstract explain(evaluation_examples, get_raw)Parameter
| Name | Beschreibung |
|---|---|
|
evaluation_examples
Erforderlich
|
Eine Matrix mit Featurevektorbeispielen (Anzahl von Beispielen × Anzahl von Features), auf deren Grundlage die Ausgabe des Modells erklärt werden soll. |
|
get_raw
Erforderlich
|
Bei „True“ werden die Relevanzwerte für Rohfeatures zurückgegeben. Bei „False“ werden die Relevanzwerte für entwickelte Features zurückgegeben. Wenn keine Angabe erfolgt ist und Transformationen an das ursprüngliche Erklärungsmodul übergeben wurden, werden rohe Relevanzwerte zurückgegeben. Wenn keine Angabe erfolgt ist und feature_maps an den „ScoringExplainer“ übergeben wurde, werden entwickelte Relevanzwerte zurückgegeben. |
Gibt zurück
| Typ | Beschreibung |
|---|---|
|
Für ein Modell mit einer einzelnen Ausgabe (z. B. Regression) gibt diese Methode eine Matrix mit Featurerelevanzwerten zurück. Für Modelle mit Vektorausgaben gibt diese Funktion eine Liste mit Matrizen zurück (eine pro Ausgabe). Die Dimension dieser Matrix ist (# examples x # features). |
fit
Implementieren Sie die Dummymethode, die für die scikit-learn-Pipelineschnittstelle erforderlich ist.
fit(X, y=None)Parameter
| Name | Beschreibung |
|---|---|
|
X
Erforderlich
|
Trainingsdaten |
|
y
|
Trainingsziele Standardwert: None
|
predict
Verwenden Sie „TreeExplainer“ und das Strukturmodell für die Bewertung, um die Featurerelevanzwerte der Daten abzurufen.
Umschließt die Funktion „.explain()“
predict(evaluation_examples)Parameter
| Name | Beschreibung |
|---|---|
|
evaluation_examples
Erforderlich
|
Eine Matrix mit Featurevektorbeispielen (# examples x # features), anhand derer die Ausgabe des Modells erklärt werden soll. |
Gibt zurück
| Typ | Beschreibung |
|---|---|
|
Für ein Modell mit einer einzelnen Ausgabe, z. B. Regression, gibt dies eine Matrix mit Featurerelevanzwerten zurück. Für Modelle mit Vektorausgaben gibt diese Funktion eine Liste mit Matrizen zurück (eine pro Ausgabe). Die Dimension dieser Matrix entspricht (Anzahl der Beispiele × Anzahl der Features). |
Attribute
engineered_features
Rufen Sie die entwickelten Featurenamen ab, die dem parameter get_raw=False beim Erklärungsaufruf entsprechen.
Wenn für den ursprünglichen Erklärer Transformationen übergeben wurden, müssen die entwickelten Features mithilfe des parameters engineered_features an den Bewertungserklärerkonstruktor übergeben werden. Wenn andernfalls Featurezuordnungen an den Bewertungserklärer übergeben wurden, sind die entwickelten Features mit den Features identisch.
Gibt zurück
| Typ | Beschreibung |
|---|---|
|
Die entwickelten Featurenamen oder Keine, wenn vom Benutzer keine angegeben wurden. |
features
Die Featurenamen abrufen.
Gibt die Standardfeaturenamen zurück, wenn get_raw nicht beim Explain-Aufruf angegeben ist.
Gibt zurück
| Typ | Beschreibung |
|---|---|
|
Die Featurenamen oder „None“, wenn keine von Benutzer*innen angegeben wurden |
raw_features
Rufen Sie die unformatierten Featurenamen ab, die dem parameter get_raw=True beim Explain-Aufruf entsprechen.
Wenn für den ursprünglichen Erklärer keine Transformationen übergeben wurden und feature_maps an den Bewertungserklärer übergeben wurden, müssen die unformatierten Featurenamen mithilfe des parameters raw_features an den Bewertungserklärerkonstruktor übergeben werden. Andernfalls sind die unformatierten Features mit den Features identisch.
Gibt zurück
| Typ | Beschreibung |
|---|---|
|
Die unformatierten Featurenamen oder Keine, wenn vom Benutzer keine angegeben wurden. |