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.
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 |
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。
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。