石灰
局部可解释模型不可知解释（LIME）
描述
石灰通过查找重要的预测值并拟合简单的可解释模型，解释对查询点的机器学习模型（分类或回归）的预测。
您可以创建一个石灰具有指定查询点的机器学习模型的对象(查询点)及指定数目的重要预测因子(numImportantPredictors)。该软件生成一个合成数据集，并拟合重要预测值的简单可解释模型，该模型可有效解释查询点周围合成数据的预测。简单模型可以是线性模型（默认）或决策树模型。
使用拟合的简单模型来解释机器学习模型在指定查询点的局部预测。使用情节功能可视化石灰结果。立足本土的解释，你可以决定是否要信任机器学习模型。
通过使用适合另一个查询点的新的简单模型适合函数。
创建
语法
描述
结果=石灰(黑匣子“CustomSyntheticData”,customSyntheticData）石灰对象使用预生成的，定制合成的预测数据集customSyntheticData这个石灰函数计算中样本的预测customSyntheticData．
结果=石灰(＿＿＿“QueryPoint”,查询点'NumImportantPredictors'，numImportantPredictors）查询点.您可以指定查询点和numImportantPredictors除了前面语法中的任何输入参数组合之外。
输入参数
特性
例子
用决策树简单模型解释预测
培训分类模型并创建石灰对象，该对象使用决策树简单模型。当你创建石灰对象，指定查询点和重要预测器的数量，以便软件生成合成数据集的样本，并为具有重要预测器的查询点拟合一个简单模型。然后利用目标函数在简单模型中显示估计的预测量的重要性情节．
加载CreditRating_Historical数据集。该数据集包含客户ID及其财务比率、行业标签和信用评级。
台= readtable (“CreditRating_Historical.dat”）;
显示表的前三行。
头(资源描述,3)
ans =3×8表ID WC_TA RE_TA EBIT_TA MVE_BVTD S_TA工业评分_____ _____ _____ _______ ________ _____ ________ ______ 62394 0.013 0.104 0.036 0.447 0.142 3 { 'BB'} 48608 0.232 0.335 0.062 1.969 0.281 8 { 'A'} 42444 0.311 0.367 0.074 1.935 0.366 1 {'A'}
通过消除客户ID和评级的列创建预测变量的表tbl．
tblX = removevars(资源描述,“ID”，“评分”]）;
通过使用菲切克函数。
黑箱= fitcecoc（tblX，tbl.Rating，“CategoricalPredictors”，“行业”）;
创建一个石灰对象，该对象使用决策树简单模型解释上次观察的预测。指定“NumImportantPredictors”为6，最多找到6个重要的预测因子。如果指定“QueryPoint”和“NumImportantPredictors”当您创建石灰对象，则软件生成的合成数据集的样品和嵌合的简单模型可解释在合成数据集。
queryPoint=tblX（结束：）
查询点=1×6表WC_TA RE_TA EBIT_TA MVE_BVTD S_TA行业 _____ _____ _______ ________ ____ ________ 0.239 0.463 0.065 2.924 0.34 - 2
rng (“默认”）%的再现性结果=石灰（黑盒，“QueryPoint”queryPoint,“NumImportantPredictors”6．..“SimpleModelType”，“树”）
结果=带属性的lime:BlackboxModel:[1x1 ClassificationCoC]数据位置：'global'分类预测因子：6类型：'classification'X:[3932x6表]查询点：[1x6表]NUM重要预测因子：6 NUM合成数据：5000合成数据：[5000x6表]拟合：{5000x1单元格}简单模型：[1x1 ClassificationTree]重要预测因子：[2x1 double]BlackboxFitted:{'AA'}SimpleModelFitted:{'AA'}
绘制石灰对象结果通过使用目标函数情节．要在任何预测器名称中显示现有的下划线，请更改滴答计轴到的值“没有”．
f =情节(结果);f.CurrentAxes.TickLabelInterpreter =“没有”；
绘图显示查询点的两个预测，它们对应于黑匣子财产和简单模型性质结果．
水平条形图显示排序的预测值重要性值。石灰查找财务比率变量EBIT_TA和WC_TA作为查询点的重要预测器。
您可以通过使用数据提示读取条形码长度或栏属性.例如，您可以找到酒吧通过使用findobj函数，并在栏的末端添加标签文本函数。
b = findobj (f,“类型”，“酒吧”); 文本（b.YEndPoints+0.001、b.XEndPoints、字符串（b.YData））
或者，也可以与预测变量名称的表显示的系数值。
小鬼= b.YData;flipud（array2table（IMP”，．..'RowNames'，f.CurrentAxes.YTickLabel，“VariableNames”，{“预测的重要性”}))
ans =2×1表预测的重要性 ____________________ MVE_BVTD 0.088412 RE_TA 0.0018061
用线性简单模型解释预测
训练回归模型并创建石灰对象，该对象使用线性简单模型。当你创建石灰对象，如果不指定查询点和重要预测器的数量，则软件生成合成数据集的样本，但不适合简单模型。使用对象函数适合以适应查询点的简单模型。然后用目标函数显示拟合的线性简单模型的系数情节．
加载carbig数据集，其中包含20世纪70年代和80年代初制造的汽车的测量数据。
负载carbig
创建一个包含预测变量的表加快，气缸，等等，以及响应变量英里/加仑．
台=表(加速度、汽缸、排量、马力、Model_Year重量,MPG);
删除训练集中缺失的值可以帮助减少内存消耗并加速训练菲特克内尔函数。删除tbl．
台= rmmissing(台);
通过从除去响应变量创建预测变量的表tbl．
tblX=移除变量（tbl，“英里”）;
训练黑盒模型英里/加仑通过使用菲特克内尔函数。
rng (“默认”）%的再现性mdl=fitrkernel（tblX，tbl.MPG，“CategoricalPredictors”[2 - 5]);
创建一个石灰对象。指定一个预测器数据集，因为mdl不包含预测数据。
结果=石灰(mdl tblX)
结果=石灰与属性:BlackboxModel: [1 x1 RegressionKernel] DataLocality:“全球”CategoricalPredictors:[2 5]类型:“回归”X: [392 x6表]QueryPoint: [] NumImportantPredictors: [] NumSyntheticData: 5000 SyntheticData: [5000 x6表)安装:x1双[5000]SimpleModel: [] ImportantPredictors: [] BlackboxFitted:[] SimpleModelFitted: []
结果包含生成的合成数据组。的SimpleModel属性为空(［］）.
为第一次观测拟合线性简单模型tblX．指定重要的预测数找到，因为3。
queryPoint=tblX（1，：）
查询点=1×6表加速气缸位移马力Model_Year重量 ____________ _________ ____________ __________ __________ ______ 12 8 307 130 70 3504
结果=拟合（结果，查询点，3）；
绘制石灰对象结果通过使用目标函数情节．要在任何预测器名称中显示现有的下划线，请更改滴答计轴到的值“没有”．
f =情节(结果);f.CurrentAxes.TickLabelInterpreter =“没有”；
绘图显示查询点的两个预测，它们对应于黑匣子财产和简单模型性质结果．
横条形图显示了简单模型的系数值，按其绝对值排序。石灰发现马力，Model_Year,气缸作为查询点的重要预测器。
Model_Year和气缸是具有多个类别的分类预测器。对于线性简单模型，该软件创建的虚拟变量比每个类别预测器的类别数量少一个。条形图只显示最重要的哑变量。你可以检查其他虚拟变量的系数使用SimpleModel性质结果．显示排序的系数值，包括所有分类虚拟变量。
[~，I]=sort（abs（results.SimpleModel.Beta），“下”)；表（results.SimpleModel.expandedPredictor名称（I）”，results.SimpleModel.Beta（I），．..“VariableNames”，{“Exteded预测的名字”，'系数'})
ans =17×2表Exteded预测名字系数 __________________________ ___________ {' -3.4485马力的}e-05 {Model_Year(74和70)的}-6.1279 e-07{“Model_Year(80和70)的}-4.015 e-07{“Model_Year(81和70)的}3.4176 e-07{“Model_Year(82和70)的}-2.2483 e-07{的圆柱体(6和8)}-1.9024 e-07{“Model_Year(76和70)的}1.8136 e-07{圆柱体(5 vs。8)'} 1.746e -07 {'Model_Year (75 vs. 70)'} 1.5456e-07 {'Model_Year (77 vs. 70)'} 1.4272e-07 {'Model_Year (78 vs. 70)'} 6.7001e-08 {'Model_Year (72 vs. 70)'} 4.7214e-08 {' cylinder (4 vs. 8)'} 4.518e -08 {'Model_Year (79 vs. 70)'} -2.2598e-08⋮
将黑盒模型指定为函数句柄
训练回归模型并创建石灰对象的函数句柄预测模型的功能。使用对象函数适合为指定的查询点拟合简单模型。然后使用目标函数显示拟合的线性简单模型的系数情节．
加载carbig数据集，其中包含20世纪70年代和80年代初制造的汽车的测量数据。
负载carbig
创建一个包含预测变量的表加快，气缸，等等。
台=表(加速度、汽缸、排量、马力、Model_Year重量);
训练黑盒模型英里/加仑通过使用树人函数。
rng (“默认”）%的再现性Mdl = TreeBagger(100台,英里/加仑,“方法”，“回归”，“CategoricalPredictors”[2 - 5]);
石灰不支持金宝app树人对象，因此不能指定的第一个输入参数(黑盒模型)石灰作为一个树人对象。相反，你可以使用函数句柄预测函数。的选项预测函数使用函数的名称-值参数。
的函数句柄预测的函数树人对象Mdl．指定要使用的树索引数组1:50．
myPredict = @(tbl) predict(Mdl,tbl，)“树”,1:50);
创建一个石灰对象使用函数句柄我的预测．当您指定黑箱模型作为函数句柄时，您必须提供预测器数据并指定“类型”名称-值参数。tbl包括分类预测因子(圆柱和Model_Year)双数据类型。默认情况下,石灰不使用双数据类型作为分类预测。指定第二（圆柱)及第五(Model_Year)变量作为分类预测因子。
结果=石灰(myPredict、台、“类型”，“回归”，“CategoricalPredictors”[2 - 5]);
为第一次观测拟合线性简单模型tbl．要在任何预测器名称中显示现有的下划线，请更改滴答计轴到的值“没有”．
结果=适合(结果,台(1:),4);f =情节(结果);f.CurrentAxes.TickLabelInterpreter =“没有”；
石灰发现马力，移位，气缸,Model_Year作为重要的预测因子。
更多关于
算法
工具书类
您还可以从以下列表中选择网站：
