文件名称：Machine-Learning-model-using-LIME
文件大小：7.6MB
文件格式：ZIP
更新时间：2024-04-18 02:12:08
JupyterNotebook
使用LIME的机器学习模型 模型的可解释性非常重要。 如果非技术人员无法理解机器学习模型，那么即使机器学习模型确实强大，对公司也没有帮助。 LIME是一个python库，它试图通过产生本地忠实的解释来解决模型的可解释性。 石灰的定义 LIME（与局部可解释模型无关的解释）是一种新颖的解释技术，通过在预测周围局部学习可解释模型，以可解释和忠实的方式解释任何分类器的预测。 LIME在模型可解释性方面提供了什么？ 一致的模型不可知论者[LIME]。 一种选择带有说明的代表性集的方法[SP-LIME]，以确保模型在复制人类逻辑时表现一致。 该代表性集合将提供对该模型的直观全局理解。 LIME解释了一个预测，因此，即使是非专家，也可以通过特征工程对不可靠的模型进行比较和改进。 可解释的 它应该提供输入变量和响应之间的定性理解。 它应该很容易理解。 本地保真度 除非它是对模型本身的完整描述，否则可
【文件预览】：
Machine-Learning-model-using-LIME-master
----h2o_automl_eastbay_meetup_feb2020.pdf(7.66MB)
----SP_LIME.ipynb(129KB)
----Simple_regression_Lime.ipynb(1.9MB)
----README.md(2KB)