帮助中心帮助中心

可解释性

训练可解释的分类模型和解释复杂的分类模型

使用固有可解释的分类模型，例如线性模型、决策树和广义相加模型，或者使用可解释性特征来解释固有不可解释的复杂分类模型。

要了解如何解释分类模型，请参见解释机器学习模型．

功能

口译训练模式

局部可解释模型不可知论解释(LIME)

`石灰`	局部可解释模型不可知解释(LIME)
`适合`	拟合局部可解释模型不可知论解释(LIME)的简单模型
`情节`	局部可解释模型不可知论解释(LIME)的绘图结果

沙普利值

`沙普利`	沙普利值
`适合`	计算查询点的Shapley值
`情节`	情节夏普利值

部分依赖

`partialDependence`	计算部分依赖
`plotPartialDependence`	创建偏依赖图(PDP)和个体条件期望图(ICE)

火车可说明的模型

`fitcgam`	拟合广义加性模型(GAM)进行二元分类
`fitclinear`	适合高维数据的二元线性分类器
`fitctree`	拟合二叉决策树用于多类分类

对象

`ClassificationGAM`	二元分类的广义加性模型
`ClassificationLinear`	高维数据二元分类的线性模型
`ClassificationTree`	用于多类分类的二叉决策树

主题

模型的解释

解释机器学习模型
解释模型预测石灰而且沙普利对象和plotPartialDependence函数。
机器学习模型的Shapley值
使用两个算法计算机器学习模型的Shapley值:kernelSHAP和对kernelSHAP的扩展。
特征选择介绍
了解特征选择算法，并探索用于特征选择的函数。
解释分类器训练的分类学习者应用程序
通过使用部分依赖图，确定如何在训练过的分类器中使用特征。

可说明的模型

训练二元分类的广义加性模型
训练具有最优参数的广义加性模型(GAM)，评估预测性能，并解释训练后的模型。
使用分类学习应用程序训练决策树
创建和比较分类树，并导出训练过的模型，以便对新数据进行预测。
使用最近邻居进行分类
使用各种距离指标，根据数据点与训练数据集中点的距离对数据点进行分类。

相关信息