ScoringExplainer 클래스
채점 모델을 정의합니다.
transformations가 original_explainer에 전달된 경우 해당 변환은 채점 설명자에게 전달되고 원시 데이터를 예상하며 기본적으로 원시 기능에 대한 중요도가 반환됩니다. feature_maps가 여기에 전달되면(transformations와 동시에 사용되지 않음) 설명자는 변환된 데이터를 예상하고 기본적으로 변환된 데이터에 대해 중요도가 반환됩니다. 두 경우 모두 설명자의 explain 메서드에서 get_raw를 명시적으로 True 또는 False로 설정하여 출력을 지정할 수 있습니다.
ScoringExplainer를 초기화합니다.
transformations가 original_explainer에 전달된 경우 해당 변환은 채점 설명자에게 전달되고 원시 데이터를 예상하며 기본적으로 원시 기능에 대한 중요도가 반환됩니다. feature_maps가 여기에 전달되면(transformations와 동시에 사용되지 않음) 설명자는 변환된 데이터를 예상하고 기본적으로 변환된 데이터에 대해 중요도가 반환됩니다. 두 경우 모두 설명자의 explain 메서드에서 get_raw를 명시적으로 True 또는 False로 설정하여 출력을 지정할 수 있습니다.
- 상속
-
azureml._logging.chained_identity.ChainedIdentityScoringExplainer
생성자
ScoringExplainer(original_explainer, feature_maps=None, raw_features=None, engineered_features=None, **kwargs)매개 변수
| Name | Description |
|---|---|
|
original_explainer
필수
|
<xref:interpret_community.common.base_explainer.BaseExplainer>
학습 시간 설명자는 원래 모델을 설명하는 데 사용되었습니다. |
|
feature_maps
|
원시에서 생성된 기능까지의 기능 맵 목록입니다. 목록은 numpy 배열 또는 스파스 행렬일 수 있습니다. 여기서 각 배열 항목(raw_index, generated_index)은 생성된 각 원시 기능 쌍의 가중치입니다. 다른 항목은 0으로 설정됩니다. 원시 기능에서 생성된 기능을 생성하는 일련의 변환 [t1, t2, ..., tn]의 경우 기능 맵 목록은 t1, t2 등과 같은 시퀀스로 원시에서 생성된 맵에 해당합니다. 전체 원시 t1에서 tn까지 생성된 기능 맵을 사용할 수 있는 경우 단일 요소 목록의 해당 기능 맵만 전달할 수 있습니다. Default value: None
|
|
raw_features
|
원래 설명자가 엔지니어링된 기능에 대한 설명을 계산하는 경우 지정할 수 있는 원시 기능에 대한 기능 이름의 선택적 목록입니다. Default value: None
|
|
engineered_features
|
원래 설명자에 변환이 전달되고 원시 기능의 중요도만 계산하는 경우 지정할 수 있는 엔지니어링된 기능에 대한 기능 이름의 선택적 목록입니다. Default value: None
|
|
original_explainer
필수
|
<xref:interpret_community.common.base_explainer.BaseExplainer>
학습 시간 설명자는 원래 모델을 설명하는 데 사용되었습니다. |
|
feature_maps
필수
|
원시에서 생성된 기능까지의 기능 맵 목록입니다. 목록은 numpy 배열 또는 스파스 행렬일 수 있습니다. 여기서 각 배열 항목(raw_index, generated_index)은 생성된 각 원시 기능 쌍의 가중치입니다. 다른 항목은 0으로 설정됩니다. 원시 기능에서 생성된 기능을 생성하는 일련의 변환 [t1, t2, ..., tn]의 경우 기능 맵 목록은 t1, t2 등과 같은 시퀀스로 원시에서 생성된 맵에 해당합니다. 전체 원시 t1에서 tn까지 생성된 기능 맵을 사용할 수 있는 경우 단일 요소 목록의 해당 기능 맵만 전달할 수 있습니다. |
|
raw_features
필수
|
원래 설명자가 엔지니어링된 기능에 대한 설명을 계산하는 경우 지정할 수 있는 원시 기능에 대한 기능 이름의 선택적 목록입니다. |
|
engineered_features
필수
|
원래 설명자에 변환이 전달되고 원시 기능의 중요도만 계산하는 경우 지정할 수 있는 엔지니어링된 기능에 대한 기능 이름의 선택적 목록입니다. |
메서드
| explain |
채점을 위한 모델을 사용하여 데이터의 기능 중요도 값을 근사치로 표시합니다. |
| fit |
scikit-learn 파이프라인 인터페이스에 맞추는 데 필요한 더미 메서드를 구현합니다. |
| predict |
데이터의 기능 중요도 값을 가져오기 위해 채점에 TreeExplainer 및 트리 모델을 사용합니다. .explain() 함수를 래핑합니다. |
explain
채점을 위한 모델을 사용하여 데이터의 기능 중요도 값을 근사치로 표시합니다.
abstract explain(evaluation_examples, get_raw)매개 변수
| Name | Description |
|---|---|
|
evaluation_examples
필수
|
모델의 출력을 설명할 특징 벡터 예제(예제 수 x 기능 수)의 행렬입니다. |
|
get_raw
필수
|
True이면 원시 기능의 중요도 값이 반환됩니다. False이면 엔지니어링된 기능의 중요도 값이 반환됩니다. 지정되지 않고 transformations가 원래 설명자로 전달된 경우 원시 중요도 값이 반환됩니다. 지정되지 않고 feature_maps가 채점 설명자로 전달된 경우 엔지니어링된 중요도 값이 반환됩니다. |
반환
| 형식 | Description |
|---|---|
|
회귀와 같은 단일 출력이 있는 모델의 경우 이 메서드는 기능 중요도 값의 행렬을 반환합니다. 벡터 출력이 있는 모델의 경우 이 함수는 각 출력에 대해 하나씩 이러한 행렬의 목록을 반환합니다. 이 행렬의 차원은 (예제 수 x 기능 수)입니다. |
fit
scikit-learn 파이프라인 인터페이스에 맞추는 데 필요한 더미 메서드를 구현합니다.
fit(X, y=None)매개 변수
| Name | Description |
|---|---|
|
X
필수
|
학습 데이터입니다. |
|
y
|
학습 대상입니다. Default value: None
|
predict
데이터의 기능 중요도 값을 가져오기 위해 채점에 TreeExplainer 및 트리 모델을 사용합니다.
.explain() 함수를 래핑합니다.
predict(evaluation_examples)매개 변수
| Name | Description |
|---|---|
|
evaluation_examples
필수
|
모델의 출력을 설명할 특징 벡터 예제(예제 수 x 기능 수)의 행렬입니다. |
반환
| 형식 | Description |
|---|---|
|
회귀와 같은 단일 출력이 있는 모델의 경우 기능 중요도 값의 행렬을 반환합니다. 벡터 출력이 있는 모델의 경우 이 함수는 각 출력에 대해 하나씩 이러한 행렬의 목록을 반환합니다. 이 행렬의 차원은 (예제 수 x 기능 수)입니다. |
특성
engineered_features
설명 호출에서 get_raw=False 매개 변수에 해당하는 엔지니어링된 기능 이름을 가져옵니다.
원래 설명자에 변환이 전달된 경우 엔지니어링된 기능은 engineered_features 매개 변수를 사용하여 채점 설명자 생성자에 전달되어야 합니다. 그렇지 않으면 기능 맵이 점수 매기기 설명자에게 전달된 경우 엔지니어링된 기능은 기능과 동일합니다.
반환
| 형식 | Description |
|---|---|
|
엔지니어링된 기능 이름 또는 사용자가 지정하지 않은 경우 없음입니다. |
features
기능 이름을 가져옵니다.
설명 호출에 get_raw 지정되지 않은 경우 기본 기능 이름을 반환합니다.
반환
| 형식 | Description |
|---|---|
|
기능 이름 또는 사용자가 지정하지 않은 경우 None입니다. |