Eli5
Eli5 est un package Python qui aide à déboguer les classificateurs d'apprentissage automatique et à expliquer leurs prédictions.
Il prend en charge les cadres et packages d'apprentissage automatique suivants:
- Scikit-learn. Actuellement, ELI5 permet d'expliquer les poids et les prédictions des classificateurs et régresseurs linéaires Scikit-Learn, des arbres de décision imprimés en tant que texte ou en SVG, affichez des importations et expliquez les prédictions des arbres de décision et des ensembles basés sur les arbres. ELI5 comprend les utilitaires de traitement de texte de Scikit-Learn et peut mettre en évidence les données texte en conséquence. Le pipeline et la caractéristique sont pris en charge. Il permet également de déboguer des pipelines Scikit-Learn qui contiennent du hachingvectorzer, en annulant le hachage.
- Keras - Expliquez les prédictions des classificateurs d'images via des visualisations de grad-cam.
- xgboost - Afficher les importations de fonctionnalités et expliquer les prédictions de xgbClassifier, xgbregressor et xgboost.booster.
- LightGBM - Affichez les importations de fonctionnalités et expliquez les prédictions de LGBMCLassifier et LGBMRegressor.
- CatBoost - Afficher les importations de fonctionnalités de CatBoostClassifier, Catboostregressor et CatBoost.catboost.
- Lightning - Expliquez des poids et des prédictions des classificateurs et des régresseurs de foudre.
- Sklearn-Crfsuite. ELI5 permet de vérifier les poids des modèles Sklearn_Crfsuite.Crf.
ELI5 implémente également plusieurs algorithmes pour inspecter les modèles de boîte noire (voir inspection des estimateurs de la boîte noire):
- TextexPlainer permet d'expliquer les prédictions de tout classificateur de texte à l'aide d'un algorithme de chaux (Ribeiro et al., 2016). Il existe des utilitaires pour utiliser la chaux avec des données non texte et des classificateurs arbitraires de la boîte noire, mais cette fonctionnalité est actuellement expérimentale.
- La méthode d'importance de permutation peut être utilisée pour calculer les importations de fonctionnalités pour les estimateurs de la boîte noire.
Les explications et le formatage sont séparés; Vous pouvez obtenir des explications textuelles à afficher dans Console, une version HTML intégrée dans un ordinateur portable IPython ou des tableaux de bord Web, un objet pandas.DataFrame si vous souhaitez traiter les résultats plus avant, ou la version JSON qui permet d'implémenter le rendu et la mise en forme personnalisés sur un client.
La licence est le MIT.
Vérifiez les documents pour en savoir plus.
