ScoringExplainer 類別
定義評分模型。
如果 轉換 是在 original_explainer上傳入，這些轉換會傳遞至評分說明工具，它會預期原始資料，而且預設會針對原始特徵傳回重要性。 如果 此處傳遞feature_maps (NOT 是要與 轉換) 同時使用，則說明工具會預期轉換的資料，而且根據預設的重要性會傳回已轉換的資料。 不論是哪一種情況，都可以在解譯器的explain 方法上，將get_raw明確設定為 True 或 False 來指定輸出。
初始化 ScoringExplainer。
如果 轉換 是在 original_explainer上傳入，這些轉換會傳遞至評分說明工具，它會預期原始資料，而且預設會針對原始特徵傳回重要性。 如果 此處傳遞feature_maps (NOT 是要與 轉換) 同時使用，則說明工具會預期轉換的資料，而且根據預設的重要性會傳回已轉換的資料。 不論是哪一種情況，都可以在解譯器的explain 方法上，將get_raw明確設定為 True 或 False 來指定輸出。
- 繼承
-
azureml._logging.chained_identity.ChainedIdentityScoringExplainer
建構函式
ScoringExplainer(original_explainer, feature_maps=None, raw_features=None, engineered_features=None, **kwargs)參數
| 名稱 | Description |
|---|---|
|
original_explainer
必要
|
<xref:interpret_community.common.base_explainer.BaseExplainer>
原本用來說明模型的定型時間說明器。 |
|
feature_maps
|
功能對應清單，從原始到產生的功能。 清單可以是 numpy 陣列或疏鬆矩陣，其中每個陣列專案 (raw_index，generated_index) 是每個原始產生的功能組的權數。 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，特徵對應清單會對應至原始到產生的對應，順序與 t1、t2 等相同。如果從 t1 到 tn 的整體原始特徵對應可供使用，則可以傳遞單一元素清單中的該功能對應。 預設值: None
|
|
raw_features
|
如果原始解譯器計算工程特徵的說明，則可以指定原始特徵的選擇性功能名稱清單。 預設值: None
|
|
engineered_features
|
如果原始解譯器已傳入轉換，而且只會計算原始特徵的重要性，則可指定之工程特徵的選擇性特徵名稱清單。 預設值: None
|
|
original_explainer
必要
|
<xref:interpret_community.common.base_explainer.BaseExplainer>
原本用來說明模型的定型時間說明器。 |
|
feature_maps
必要
|
功能對應清單，從原始到產生的功能。 清單可以是 numpy 陣列或疏鬆矩陣，其中每個陣列專案 (raw_index，generated_index) 是每個原始產生的功能組的權數。 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，特徵對應清單會對應至原始到產生的對應，順序與 t1、t2 等相同。如果從 t1 到 tn 的整體原始特徵對應可供使用，則可以傳遞單一元素清單中的該功能對應。 |
|
raw_features
必要
|
如果原始解譯器計算工程特徵的說明，則可以指定原始特徵的選擇性功能名稱清單。 |
|
engineered_features
必要
|
如果原始解譯器已傳入轉換，而且只會計算原始特徵的重要性，則可指定之工程特徵的選擇性特徵名稱清單。 |
方法
| explain |
使用模型進行評分，以近似資料的特徵重要性值。 |
| fit |
實作符合 scikit-learn 管線介面所需的虛擬方法。 |
| predict |
使用 TreeExplainer 和樹狀結構模型進行評分，以取得資料的特徵重要性值。 包裝 .explain () 函式。 |
explain
使用模型進行評分，以近似資料的特徵重要性值。
abstract explain(evaluation_examples, get_raw)參數
| 名稱 | Description |
|---|---|
|
evaluation_examples
必要
|
特徵向量範例的矩陣 (# 範例 x # 特徵) ，用來說明模型的輸出。 |
|
get_raw
必要
|
如果為 True，則會傳回原始特徵的重要性值。 如果為 False，則會傳回工程功能的重要性值。 如果未指定且 轉換 已傳遞至原始說明程式，則會傳回原始重要性值。 如果未指定且 feature_maps 傳遞至評分說明工具，則會傳回工程的重要性值。 |
傳回
| 類型 | Description |
|---|---|
|
對於具有單一輸出的模型，例如回歸，這個方法會傳回特徵重要性值的矩陣。 對於向量輸出的模型，此函式會傳回這類矩陣的清單，每個輸出各有一個。 此矩陣的維度是 (# 範例 x # 功能) 。 |
fit
實作符合 scikit-learn 管線介面所需的虛擬方法。
fit(X, y=None)參數
| 名稱 | Description |
|---|---|
|
X
必要
|
定型資料。 |
|
y
|
定型目標。 預設值: None
|
predict
使用 TreeExplainer 和樹狀結構模型進行評分，以取得資料的特徵重要性值。
包裝 .explain () 函式。
predict(evaluation_examples)參數
| 名稱 | Description |
|---|---|
|
evaluation_examples
必要
|
特徵向量範例的矩陣 (# 範例 x # 特徵) ，用來說明模型的輸出。 |
傳回
| 類型 | Description |
|---|---|
|
對於具有單一輸出的模型，例如回歸，這會傳回特徵重要性值的矩陣。 對於向量輸出的模型，此函式會傳回這類矩陣的清單，每個輸出各有一個。 此矩陣的維度是 (# 範例 x # 功能) 。 |
屬性
engineered_features
在說明呼叫時，取得對應至 get_raw=False 參數的工程功能名稱。
如果原始解譯器已將轉換傳遞給它，則必須使用 engineered_features 參數，將工程特徵傳遞給評分解譯器建構函式。 否則，如果功能對應傳遞至評分說明工具，則工程的功能會與功能相同。
傳回
| 類型 | Description |
|---|---|
|
工程的功能名稱，如果使用者未提供任何名稱，則為 None。 |