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
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。