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
使用固有的可解释分类模型，例如线性模型、决策树和广义的可加性模型，或者使用可解释特性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 |
用于二元分类的广义加性模型(GAM) |
ClassificationLinear |
高维数据二元分类的线性模型 |
ClassificationTree |
二叉决策树的多类分类 |
主题
模型的解释
解释模型预测使用石灰，沙普利,plotPartialDependence。
使用两种算法计算机器学习模型的Shapley值:kernelSHAP算法和kernelSHAP扩展算法。
了解特征选择算法并探索特征选择可用的功能。
可说明的模型
训练具有最优参数的广义加性模型(GAM)，评估预测性能，并解释训练后的模型。
创建和比较分类树，并导出经过训练的模型来对新数据进行预测。
使用各种距离度量，基于它们到训练数据集中点的距离对数据点进行分类。
您也可以从以下列表中选择一个网站:
