解釈可能性

解釈可能な分類モデルの学習と複雑な分類モデルの解釈

線形モデル,決定木,一般化加法モデルなどの本質的に解釈可能な分類モデルを使用するか,解釈可能性機能を使用して,本質的に解釈可能でない複雑な分類モデルを解釈します。

分類モデルを解釈する方法にいては，機械学習モデルの解釈を参照してください。

関数

`石灰`	局部可解释模型不可知解释(LIME)
`适合`	局部可解释模型不可知解释(LIME)の単純モデルのあてはめ
`情节`	局部可解释模型不可知解释(LIME)の結果のプロット

`partialDependence`	部分従属の計算
`plotPartialDependence`	部分依存プロット(pdp)および個別条件付き期待値(ice)プロットの作成

`fitcgam`	バaapl . aapl . aapl . aapl . aapl . aapl . aapl . aapl . aapl
`fitclinear`	高次元デタに対するバナリ線形分類器の当てはめ
`fitctree`	マルチクラス分類用の二分決定木をあてはめる

機械学習モデルの解釈
石灰、沙普利およびplotPartialDependenceを使用してモデル予測を説明する。
機械学習モデルのシャプレ値
kernelSHAPとkernelSHAPの拡張機能の2つのアルゴリズムを使用して,機械学習モデルのシャープレイ値を計算する。
特徴選択の紹介
特徴選択アルゴリズムにいて学び，特徴選択に使用できる関数を確認します。