情节
描述
图(创建一个水平条形图的夏普利值讲解员)沙普利对象讲解员。这些值存储在对象的ShapleyValues财产。每一栏显示了黑箱模型中的每个特性的夏普利值(讲解员。)查询点(BlackboxModel讲解员。)。QueryPoint
b =情节(___)返回一个条形图对象b使用任何输入参数组合在前面的语法。使用b查询或修改栏属性创建后的条形图。
例子
所有类的情节夏普利值
训练一个分类模型,并创建一个沙普利对象。然后情节夏普利值通过使用对象的功能情节。
加载CreditRating_Historical数据集,数据集包含客户id和他们的财务比率,行业标签,信用评级。
台= readtable (“CreditRating_Historical.dat”);
显示表的前三行。
头(资源描述,3)
ID WC_TA RE_TA EBIT_TA MVE_BVTD S_TA行业评级_____ _____ _____和______ _____ ________ ________ 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}
火车的黑箱模型使用的信用评级fitcecoc函数。使用变量通过第七列第二资源描述作为预测变量。推荐的做法是指定类名设置类的顺序。
黑箱= fitcecoc(资源描述,“评级”,…“PredictorNames”tbl.Properties.VariableNames (7),…“CategoricalPredictors”,“行业”,…“类名”,{“AAA”“AA”“一个”“BBB”“BB”“B”“CCC”});
创建一个沙普利对象,阐述了预测最后的观察。为更快的计算,子样品的观察的25%资源描述与分层和使用样本来计算夏普利值。
queryPoint =(资源(最终,:)
queryPoint =表1×8ID WC_TA RE_TA EBIT_TA MVE_BVTD S_TA行业评级_____ _____ _____ _________ __ ________ ________ ________ 73104 0.239 0.463 0.065 2.924 0.34 - 2 {“AA”}
rng (“默认”)%的再现性c = cvpartition (tbl.Rating“坚持”,0.25);:tbl_ =台(测试(c):);:tbl_讲解员=沙普利(黑盒,“QueryPoint”,queryPoint);
对于一个分类模型,沙普利计算夏普利值使用预测类分数为每个类。显示的值ShapleyValues财产。
explainer.ShapleyValues
ans =6×8表预测AAA AA BBB BB B CCC __________ _____ __________ ___________ __________ ___________ __________ __________“WC_TA”0.051045 0.022644 0.0096138 0.0015954 -0.027857 -0.04134 -0.039476“RE_TA”0.16729 0.09479 0.05308 -0.011178 -0.087689 -0.20847 -0.29204“EBIT_TA”0.0012015 0.00053338 0.00043344 0.00012321 -0.00066994 -0.0013388 -0.0011793“MVE_BVTD”1.3377 1.338 0.67839 -0.027654 -0.55142 -0.75327 -0.59578“S_TA”-0.012484 -0.009098 -0.00074119 -0.0035582 - -7.3462 0.0014495 - -0.0020609 e-05“行业”-0.099117 -0.046867 0.0031376 0.080071 0.089726 0.099699 0.15691
的ShapleyValues属性包含所有功能的夏普利值为每个类。
情节的夏普利值预测类使用情节函数。
情节(讲解员)
水平条形图显示了所有变量的夏普利值,按他们的绝对值。每个夏普利值解释查询的得分点的偏差的平均分数预测类,由于相应的变量。
情节的夏普利值通过指定的所有类的所有类名explainer.BlackboxModel。
情节(讲解员,“类名”explainer.BlackboxModel.ClassNames)
指定数量的情节的重要预测因子
训练一个回归模型,并创建一个沙普利对象。使用目标函数适合指定的查询计算夏普利值点。然后情节的夏普利值预测函数通过使用对象情节。指定数量的情节当你调用的重要预测因子情节函数。
加载carbig的数据集,其中包含测量汽车在1970年代末和1980年代初。
负载carbig
创建一个表包含预测变量加速度,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);
删除缺失值在一个训练集可以帮助减少内存消耗,加速训练fitrkernel函数。删除缺失值资源描述。
台= rmmissing(台);
火车的黑箱模型英里/加仑通过使用fitrkernel函数
rng (“默认”)%的再现性mdl = fitrkernel(资源描述,“英里”,“CategoricalPredictors”[2 - 5]);
创建一个沙普利对象。指定的数据集资源描述,因为mdl不包含训练数据。
讲解员=沙普利(mdl(资源)
讲解员=沙普利与属性:BlackboxModel: [1 x1 RegressionKernel] QueryPoint: [] BlackboxFitted: [] ShapleyValues: [] NumSubsets: 64 X: [392 x7表]CategoricalPredictors:[2 5]方法:“interventional-kernel”拦截:22.6202
讲解员存储训练数据资源描述在X财产。
计算所有预测变量的夏普利值第一观察资源描述。
:queryPoint =(资源(1)
queryPoint =表1×7加速汽缸位移马力Model_Year重量MPG _______ _____ _______ __________ __________ ______ ___ 12 8 307 130 70 3504
讲解员=适合(讲解员,queryPoint);
回归模型,沙普利使用预测响应计算夏普利值,并将它们存储在ShapleyValues财产。显示的值ShapleyValues财产。
explainer.ShapleyValues
ans =6×2表预测_______ ShapleyValue * * *“加速度”-0.1561“气缸”-0.18306“位移”-0.34203“马力”-0.27291“Model_Year”-0.2926“重量”-0.32402
情节的夏普利值查询使用情节函数。指定“NumImportantPredictors”, 5只图的五个最重要的预测因子预测反应。
情节(讲解员,“NumImportantPredictors”5)
水平条形图显示了夏普利值五个最重要的预测因子,按他们的绝对值。每个夏普利值解释查询的预测点的偏差从平均,由于相应的变量。
输入参数
更多关于
引用
版本历史
介绍了R2021a
