文件名称：青柠：青柠：解释任何机器学习分类器的预测
文件大小：9.48MB
文件格式：ZIP
更新时间：2024-03-15 00:05:27
JavaScript
酸橙 该项目旨在说明机器学习分类器（或模型）的功能。 目前，我们支持使用称为lim的程序包（对本地可解释的模型不可知的解释的简称）来解释针对文本分类器或作用于表（数字或分类数据的numpy数组）或图像的分类器的各个预测。 石灰是基于提出的工作（）。 这是促销视频的链接： 我们的计划是添加更多软件包，以帮助用户理解机器学习并与之进行有意义的交互。 Lime可以解释具有两个或更多类的任何黑匣子分类器。 我们所需要的就是分类器实现一个函数，该函数接收原始文本或numpy数组，并为每个类输出概率。 内置对scikit-learn分类器的支持。 安装 石灰包在。 只需运行： pip install lime 或克隆存储库并运行： pip install . 我们在0.2.0删除了python2支持，在此之前的最后一个版本是0.1.1.37 。 屏幕截图 以下是一些石灰说明的屏幕截图。
【文件预览】：
lime-master
----MANIFEST.in(34B)
----binder()
--------environment.yml(386B)
----citation.bib(462B)
----doc()
--------notebooks()
--------images()
--------conf.py(10KB)
--------index.rst(672B)
--------blog_post.md(9KB)
--------lime.rst(1KB)
----benchmark()
--------table_perf.py(1KB)
--------text_perf.py(1KB)
--------__init__.py(1B)
----CONTRIBUTING.md(2KB)
----.travis.yml(256B)
----LICENSE(1KB)
----setup.cfg(30B)
----setup.py(776B)
----README.md(6KB)
----lime()
--------explanation.py(12KB)
--------exceptions.py(55B)
--------lime_text.py(20KB)
--------utils()
--------lime_tabular.py(34KB)
--------webpack.config.js(841B)
--------js()
--------__init__.py(0B)
--------lime_base.py(10KB)
--------submodular_pick.py(5KB)
--------test_table.html(387B)
--------lime_image.py(11KB)
--------bundle.js(1.17MB)
--------wrappers()
--------tests()
--------discretize.py(9KB)
--------bundle.js.map(1.42MB)
--------style.css(469B)
--------package.json(1KB)
----.gitignore(1KB)