可解释性
火车可判断的分类模型和解释复杂的分类模型
使用固有的可翻译的分类模型,如线性模型、决策树、和广义可加模型,或使用可解释性的特性来解释复杂的分类模型本质上不解释。
学习如何解释分类模型,明白了解释机器学习模型。
功能
对象
ClassificationGAM |
广义相加模型(GAM)二进制分类 |
ClassificationLinear |
线性模型的二进制高维数据的分类 |
ClassificationTree |
二叉决策树的多类分类 |
主题
模型的解释
- 解释机器学习模型
解释使用模型预测石灰和沙普利对象和plotPartialDependence函数。 - 沙普利值机器学习模型
机器学习模型计算夏普利值使用介入算法或条件的算法。 - 介绍了特征选择
学习特征选择算法和探索功能用于特征选择。 - 解释分类器训练分类学习者应用
确定功能是用于训练分类器通过使用部分情节的依赖。
可说明的模型
- 为二进制分类培训广义加性模型
火车一个广义相加模型(GAM)最优参数,评估预测性能,并解释培训模型。 - 火车使用分类学习者应用决策树
创建和比较分类树,和出口训练模型对新数据进行预测。 - 分类使用最近的邻居
分类数据点根据其距离点一个训练数据集,使用各种距离度量。
