主要内容
可解释性
训练可解释的分类模型，解释复杂的分类模型
使用固有可解释的分类模型，如线性模型、决策树和广义可添加模型，或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 |
二元分类的广义可加性模型(GAM) |
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
解释模型预测石灰，沙普利,plotPartialDependence．
使用两种算法计算机器学习模型的Shapley值:kernelSHAP和kernelSHAP的扩展。
了解特征选择算法，并探索可用于特征选择的功能。
可说明的模型
训练一个具有最优参数的广义可加性模型(GAM)，评估预测性能，并解释训练的模型。
创建和比较分类树，并导出训练过的模型，以对新数据进行预测。
根据数据点到训练数据集中点的距离，使用各种距离度量对数据点进行分类。
您也可以从以下列表中选择一个网站:
