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。
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 |
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。
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。