Вот история, в которой рассказывается о Библиотеке под названием Лайм, которая помогает интерпретировать Модель.
Привет всем, я уверен, что вам, как и мне, интересно узнать об этом больше. Позволяет глубоко погрузиться.
Что такое лайм:
Lime сокращенно обозначается как Local Interpretable Model Agnostic Explanations. Это метод, который можно использовать для понимания предсказания Модели. Звучит интересно !! верно..
Как это работает?
Lime модифицирует единственную выборку данных, внося изменения в значения функций, и ищет, как это повлияет на результат. Он отвечает или интерпретирует, давая нам понимание того, почему этот прогноз был сделан на основе входных данных, которые мы даем. Давайте попробуем изучить то же самое в практической реализации.
Набор данных находится здесь. Это знаменитый набор данных прогнозирования оттока, загруженный с kaggle.
Чтобы быстро объяснить набор данных — это данные о коэффициенте оттока клиентов (0 или 1) на основе X-факторов. Это ванильная модель — я не тратил больше времени на EDA, просто сделал данные, которые будут использоваться моделью для ее прогнозирования.
Теперь мы собираемся использовать Lime для просмотра предсказания и причины предсказания определенного класса.
Мы собираемся прогнозировать данные, представленные в тестовом наборе. В частности, 7-я запись в тестовом наборе данных, которая имела указанные выше значения.
Да, вот результат: в нем говорится, что 0,91 процента относятся к «0», и причина основана на предоставленных факторах X, и мы могли видеть, что, кроме пола, географии и баланса, все другие факторы вносят вклад в «0». . Это очень небольшой фрагмент кода, который мы использовали, чтобы проверить, насколько хорошо LIME можно использовать для интерпретации модели.
Интересно, что мы могли бы также использовать это для модулей глубокого обучения, однако я практически не проверял это. Возможно, я бы предоставил вам возможность проверить и поделиться своими мыслями в разделе комментариев.
На сегодня все: надеюсь, вам понравилось изучение этого модуля. Пожалуйста, ставьте аплодисменты, если вы считаете это полезным, и делитесь своими отзывами, чтобы я мог улучшить контент :)
