文件名称：interpretable_machine_learning_with_python:训练可解释的ML模型，解释ML模型以及调试ML模型以确保准确性，辨别力和安全性的技术示例
文件大小：10.74MB
文件格式：ZIP
更新时间：2024-06-11 11:25:01
python data-science machine-learning data-mining h2o
使用Python负责任的机器学习 训练可解释机器学习（ML）模型，解释ML模型以及调试ML模型的准确性，辨别力和安全性的技术示例。 概述 随着越来越多的经济体接受自动化和数据驱动的决策，使用人工智能（AI）和ML模型可能会变得越来越普遍。 尽管这些预测系统可能非常准确，但它们常常是难以理解且不受欢迎的黑匣子，它们仅产生数字预测，而没有附带的解释。 不幸的是，最近的研究和最近的事件引起了人们对脆弱的AI和ML系统中数学和社会学缺陷的关注，但是从业人员通常没有正确的工具来撬开ML模型并对其进行调试。 本系列笔记本介绍了几种方法，这些方法可以提高ML模型的透明度，责任感和可信赖性。 如果您是数据科学家或分析师，并且想要训练准确，可解释的ML模型，向您的客户或经理解释ML模型，测试这些模型的安全漏洞或社会歧视，或者您担心文档，验证或法规方面的问题要求，那么本系列Jupyter笔记本非常适合您！ （
【文件预览】：
interpretable_machine_learning_with_python-master
----.gitignore(96B)
----readme_pics()
--------pdp_ice.png(986KB)
--------lime.png(29KB)
--------resid2.png(48KB)
--------resid.png(971KB)
--------dt_surrogate.png(791KB)
--------sa.png(270KB)
--------dia.png(107KB)
--------hist_pd_ice_lo.png(1.17MB)
----requirements.txt(292B)
----dt_surrogate_loco.ipynb(367KB)
----debugging_sens_analysis_redux.ipynb(1.46MB)
----auto_ph.py(28KB)
----resid_sens_analysis.ipynb(313KB)
----README.md(20KB)
----lime.ipynb(153KB)
----anaconda_py36_h2o_xgboost_graphviz_shap()
--------Dockerfile(2KB)
----shap_error_values.csv(5.09MB)
----glm_mgbm_gbm.ipynb(4.77MB)
----debugging_resid_analysis_redux.ipynb(1.05MB)
----dia.ipynb(295KB)
----xgboost_pdp_ice.ipynb(325KB)
----default_of_credit_card_clients.xls(5.28MB)