このページの翻訳は最新ではありません。ここをクリックして,英語の最新版を参照してください。
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ついては,機械学習モデルの解釈を参照してください。
ClassificationGAM |
バイナリ分類用の一般化加法モデル(GAM) |
ClassificationLinear |
高次元データのバイナリ分類用の線形モデル |
ClassificationTree |
マルチクラス分類用の二分決定木 |
石灰
、沙普利
およびplotPartialDependence
を使用してモデル予測を説明する。
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。
特徴選択アルゴリズムについて学び,特徴選択に使用できる関数を確認します。
最適なパラメーターで一般化加法モデル(GAM)に学習させて,予測性能を評価し,学習済みモデルを解釈する。
分類木を作成および比較し,新しいデータについて予測を行うため学習済みモデルをエクスポートします。
さまざまな距離計量を使用して,学習データセット内の点への距離に基づいてデータ点を分類します。