MimicWrapper Classe

Objet d’espace de travail dans lequel les modèles et les jeux de données sont définis.

ID de modèle d’un modèle inscrit auprès de MMS, ou d’un pipeline ou modèle Machine Learning classique à expliquer. Si un modèle est spécifié, il doit implémenter sklearn.predict() ou sklearn.predict_proba(). Si un pipeline est spécifié, il doit inclure une fonction qui accepte un ndarray 2D.

Modèle de substitution non initialisé utilisé pour expliquer le modèle de boîte noire. Également connu sous le nom de modèle étudiant.

Arguments par mots clés associés à l’explicatif choisi, et qui ne sont pas traités ici. Ils sont passés en tant que kwargs au moment de l’initialisation de l’explicatif sous-jacent.

ID de jeu de données ou jeu de données classique utilisé pour initialiser l’explicatif (par exemple x_train).

Exécution à laquelle cette explication doit être associée.

Liste des noms des fonctionnalités.

Noms de classes sous la forme d’une liste de chaînes. L’ordre des noms de classe doit correspondre à celui de la sortie du modèle. Obligatoire uniquement en cas d’explication du classifieur.

Paramètre facultatif permettant de spécifier si le modèle est un modèle de classification ou de régression. Dans la plupart des cas, le type du modèle peut être déduit en fonction de la forme de la sortie : un classifieur a une méthode predict_proba et génère un tableau à deux dimensions, alors qu’un régresseur a une méthode predict et génère un tableau à une dimension.

Liste d’index de caractéristiques. Si ce paramètre est spécifié, Azure sélectionne uniquement un sous-ensemble des caractéristiques du jeu de données d’évaluation à des fins d’explication. Cela accélère le processus d’explication quand le nombre de caractéristiques est important, et que vous connaissez déjà l’ensemble des caractéristiques intéressantes. Le sous-ensemble peut correspondre au top k des caractéristiques du récapitulatif du modèle. Ce paramètre n’est pas pris en charge quand des transformations sont définies.

sklearn.compose.ColumnTransformer ou liste de tuples décrivant le nom et le transformateur de colonne. Quand des transformations sont fournies, les explications correspondent aux caractéristiques avant la transformation. Le format d’une liste de transformations est le même que celui-ci : https://github.com/scikit-learn-contrib/sklearn-pandas.

Si vous utilisez une transformation qui ne figure pas dans la liste des transformations sklearn.preprocessing prises en charge par le package interpret-community, cela signifie que le paramètre ne peut pas accepter une liste de plusieurs colonnes en tant qu’entrée pour la transformation. Vous pouvez utiliser les transformations sklearn.preprocessing suivantes avec une liste de colonnes, car elles ont déjà des relations un-à-plusieurs ou un-à-un : Binarizer, KBinsDiscretizer, KernelCenterer, LabelEncoder, MaxAbsScaler, MinMaxScaler, Normalizer, OneHotEncoder, OrdinalEncoder, PowerTransformer, QuantileTransformer, RobustScaler, StandardScaler.

Exemples de transformations qui fonctionnent :

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

Exemple de transformation qui déclenche une erreur, car elle ne peut pas être interprétée comme une transformation ayant une relation un-à-plusieurs :

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

Le dernier exemple ne fonctionne pas, car le package interpret-community ne peut pas déterminer si my_own_transformer fournit un mappage plusieurs-à-plusieurs ou un-à-plusieurs quand il accepte une séquence de colonnes.

Un seul paramètre de « transformations » ou « feature_maps » doit être spécifié pour générer des explications brutes. La spécification des deux entraîne une exception de configuration.

Liste de mappages de fonctionnalités des fonctionnalités brutes à générées. Ce paramètre peut correspondre à une liste de tableaux numpy ou de matrices éparses, où chaque entrée de tableau (raw_index, generated_index) représente la pondération de chaque paire de caractéristiques brutes/générées. Les autres entrées sont définies sur zéro. Pour une séquence de transformations [t1, t2,..., tn] générant des fonctionnalités générées à partir de fonctionnalités brutes, la liste des mappages de fonctionnalités correspond aux mappages bruts à générés dans le même ordre que t1, t2, etc. Si le mappage de fonctionnalités brutes à générées global de t1 à tn est disponible, il est possible de transmettre uniquement cette carte de fonctionnalités dans une liste d’éléments unique.

Un seul paramètre de « transformations » ou « feature_maps » doit être spécifié pour générer des explications brutes. La spécification des deux entraîne une exception de configuration.

Indique s’il est nécessaire d’autoriser un grand nombre de transformations ayant une relation plusieurs-à-plusieurs.

Objet d’espace de travail dans lequel les modèles et les jeux de données sont définis.

ID de modèle d’un modèle inscrit auprès de MMS, ou d’un pipeline ou modèle Machine Learning classique à expliquer. Si un modèle est spécifié, il doit implémenter sklearn.predict() ou sklearn.predict_proba(). Si un pipeline est spécifié, il doit inclure une fonction qui accepte un ndarray 2D.

Arguments par mots clés associés à l’explicatif choisi, et qui ne sont pas traités ici. Ils sont passés en tant que kwargs au moment de l’initialisation de l’explicatif sous-jacent.

ID de jeu de données ou jeu de données standard utilisé pour initialiser l’explicatif (par exemple, x_train).

Exécution à laquelle cette explication doit être associée.

Liste des noms des fonctionnalités.

Noms de classes sous la forme d’une liste de chaînes. L’ordre des noms de classe doit correspondre à celui de la sortie du modèle. Obligatoire uniquement en cas d’explication du classifieur.

Paramètre facultatif permettant de spécifier si le modèle est un modèle de classification ou de régression. Dans la plupart des cas, le type du modèle peut être déduit en fonction de la forme de la sortie : un classifieur a une méthode predict_proba et génère un tableau à deux dimensions, alors qu’un régresseur a une méthode predict et génère un tableau à une dimension.

Liste des index de caractéristiques. Si cette option est spécifiée, sélectionne uniquement un sous-ensemble de fonctionnalités dans le jeu de données d’évaluation pour l’explication, ce qui accélérera le processus d’explication lorsque le nombre de fonctionnalités est important et que l’utilisateur connaît déjà l’ensemble des fonctionnalités intéressées. Le sous-ensemble peut correspondre au top k des caractéristiques du récapitulatif du modèle. Cet argument n’est pas pris en charge lorsque les transformations sont définies.

sklearn.compose.ColumnTransformer ou liste de tuples décrivant le nom et le transformateur de colonne. Quand des transformations sont fournies, les explications correspondent aux caractéristiques avant la transformation. Le format d’une liste de transformations est le même que celui-ci : https://github.com/scikit-learn-contrib/sklearn-pandas.

Si vous utilisez une transformation qui ne figure pas dans la liste des transformations sklearn.preprocessing prises en charge par le package interpret-community, cela signifie que le paramètre ne peut pas accepter une liste de plusieurs colonnes en tant qu’entrée pour la transformation. Vous pouvez utiliser les transformations sklearn.preprocessing suivantes avec une liste de colonnes, car elles ont déjà des relations un-à-plusieurs ou un-à-un : Binarizer, KBinsDiscretizer, KernelCenterer, LabelEncoder, MaxAbsScaler, MinMaxScaler, Normalizer, OneHotEncoder, OrdinalEncoder, PowerTransformer, QuantileTransformer, RobustScaler, StandardScaler.

Exemples de transformations qui fonctionnent :

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

Exemple de transformation qui déclenche une erreur, car elle ne peut pas être interprétée comme une transformation ayant une relation un-à-plusieurs :

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

Le dernier exemple ne fonctionne pas, car le package interpret-community ne peut pas déterminer si my_own_transformer fournit un mappage plusieurs-à-plusieurs ou un-à-plusieurs quand il accepte une séquence de colonnes.

Un seul paramètre de « transformations » ou « feature_maps » doit être spécifié pour générer des explications brutes. La spécification des deux entraîne une exception de configuration.

Liste de mappages de fonctionnalités des fonctionnalités brutes à générées. Ce paramètre peut correspondre à une liste de tableaux numpy ou de matrices éparses, où chaque entrée de tableau (raw_index, generated_index) représente la pondération de chaque paire de caractéristiques brutes/générées. Les autres entrées sont définies sur zéro. Pour une séquence de transformations [t1, t2,..., tn] générant des fonctionnalités générées à partir de fonctionnalités brutes, la liste des mappages de fonctionnalités correspond aux mappages bruts à générés dans le même ordre que t1, t2, etc. Si le mappage de fonctionnalités brutes à générées global de t1 à tn est disponible, il est possible de transmettre uniquement cette carte de fonctionnalités dans une liste d’éléments unique.

Un seul paramètre de « transformations » ou « feature_maps » doit être spécifié pour générer des explications brutes. La spécification des deux entraîne une exception de configuration.