酸橙
局部可解释的模型不可知解释(LIME)
描述
酸橙通过寻找重要的预测器并拟合一个简单的可解释模型，解释一个查询点的机器学习模型(分类或回归)的预测。
您可以创建酸橙对象，用于具有指定查询点的机器学习模型(queryPoint)及指定数目的重要预测因子(numImportantPredictors）.该软件生成一个合成数据集，并适合一个重要预测器的简单可解释模型，该模型有效地解释了对查询点周围的合成数据的预测。简单模型可以是线性模型(默认)或决策树模型。
使用拟合的简单模型在指定的查询点处本地解释本地机器学习模型的预测。使用情节函数可视化LIME结果。根据局部的解释，你可以决定是否相信机器学习模型。
将新的简单模型用于另一个查询点合身函数。
创建
语法
描述
结果=石灰(黑箱“CustomSyntheticData”,customsyntheticdata.）酸橙对象，使用预生成的自定义合成预测器数据集customsyntheticdata.．这酸橙功能计算样本中的预测customsyntheticdata.．
结果=石灰(___，'querypoint'，queryPoint“NumImportantPredictors”,numImportantPredictors）queryPoint．您可以指定queryPoint和numImportantPredictors除了以前的语法中的任何输入参数组合。
输入参数
属性
例子
用决策树简单模型解释预测
训练分类模型并创建酸橙使用决策树简单模型的对象。当你创建一个酸橙对象，指定查询点和重要预测器的数量，以便软件生成合成数据集的样本，并为具有重要预测器的查询点拟合一个简单的模型。然后，通过使用对象函数在简单模型中显示估计的预测值重要性情节．
加载CreditRating_Historical数据集。该数据集包含客户id及其财务比率、行业标签和信用评级。
tbl =可读取的（“CreditRating_Historical.dat”）;
显示表的前三行。
头（TBL，3）
ans =3×8表ID WC_TA RE_TA EBIT_TA MVE_BVTD S_TA行业评级 _____ _____ _____ _______ ________ _____ ________ ______ 62394 0.013 0.104 0.036 0.447 0.142 3{“BB”}48608 0.232 0.335 0.062 1.969 0.281 8 {A} 42444 0.311 0.367 0.074 1.935 0.366 1 {A}
通过删除客户id和评级列来创建一个预测器变量表TBL.．
tblx = removevars（tbl，[“ID”那“评级”]）;
使用的方法训练信用评级的黑箱模型fitcecoc函数。
黑箱= fitcecoc (tblX,资源描述。评级,'pationoricalpricictors'那'行业'）;
创建一个酸橙对象，该对象使用决策树简单模型解释最后一次观测的预测。指定'numimportantpredictors'至于最多6个重要预测因子。如果您指定了“QueryPoint”和'numimportantpredictors'的值酸橙对象，然后软件生成一个合成数据集的样本，并将一个简单的可解释模型适合于该合成数据集。
querypoint = tblx（结束，:)
queryPoint =1×6表WC_TA RE_TA EBIT_TA MVE_BVTD S_TA行业_____ _____ _______ ________ ____ ________ 0.239 0.463 0.065 2.924 0.34 2
RNG（'默认'）重复性的％结果=石灰(黑盒,“QueryPoint”，querypoint，'numimportantpredictors'，6，．．.“SimpleModelType”那“树”）
结果=具有属性的石灰：BlackBoxModel：[1x1 ClassificationCoc] Datalocality：'Global'类分类预示因素：6类型：'分类'x：[3932x6表]查询点：[1x6表] NumimportantPredictors：6 NumSyntheticData：5000 InclueCata：[5000x6表]安装：{5000x1 Cell} SimpleModel：[1x1 ClassificationTree]重要的预计：[2x1双] BlackBoxFited：{'AA'} SimpleModelfited：{'AA'}
绘图酸橙目的结果通过使用对象函数情节．要在任何预测器名称中显示现有的下划线，请更改TickLabelInterpreter坐标轴的值“没有”．
f =情节(结果);f.currentaxes.TicklabelInterpreter =.“没有”;
该曲线显示对应于的查询点的两个预测BlackboxFitted财产和SimpleModelFitted的属性结果．
水平条形图显示排序的预测器重要值。酸橙找到财务比率变量EBIT_TA.和wc_ta.作为查询点的重要预测因子。
您可以通过使用数据提示或酒吧属性．例如，您可以找到酒吧对象，使用findobj.使用函数并通过使用该标签将标签添加到条形的末端文本函数。
b = findobj (f,'类型'那“酒吧”）;文本(b.YEndPoints + 0.001, b.XEndPoints字符串(b.YData))
或者，您可以使用预测器变量名在表中显示系数值。
小鬼= b.YData;flipud (array2table(小鬼”,．．.“RowNames”f.CurrentAxes.YTickLabel,“VariableNames”，{'预测重要性'}))
ans =2×1表预测性重要____________________ MVE_BVTD 0.088412 RE_TA 0.0018061
用线性简单模型解释预测
训练一个回归模型并创建一个酸橙使用线性简单模型的对象。当你创建一个酸橙对象，如果不指定查询点和重要预测器的数量，则软件生成合成数据集的样本，但不适合简单模型。使用对象函数合身适合查询点的简单模型。然后用目标函数显示拟合的线性简单模型的系数情节．
加载carbig数据集，其中包含在20世纪70年代和20世纪80年代初进行的汽车测量。
负载carbig
创建包含预测器变量的表加速度那气缸等等，以及响应变量英里/加仑．
台=表(加速度、汽缸、排量、马力、Model_Year重量,MPG);
删除训练集中缺失的值可以帮助减少内存消耗并加速训练Fitrkernel.函数。删除TBL.．
tbl = rmmissing（tbl）;
通过删除响应变量来创建预测变量表TBL.．
tblx = removevars（tbl，'mpg'）;
训练一个黑匣子模型英里/加仑通过使用Fitrkernel.函数。
RNG（'默认'）重复性的％mdl = fitrkernel（tblx，tbl.mpg，'pationoricalpricictors'，[2 5]）;
创建一个酸橙对象。指定预测数据集，因为MDL.不包含预测数据。
结果=石灰（MDL，TBLX）
结果=具有属性的石灰：BlackBoxModel：[1x1 regressionkernel] Datalocality：'Global'类别预防icon：[2 5]类型：'回归'x：[392x6表] QueryPoint：[] NumImportAntPredictors：[] NumSyntheticData：5000 SyntheticData：[5000x6表]安装了：[5000x1双] SimpleModel：[]重要的预分标识：[] BlackBoxFitted：[] SimpleModelfited：[]
结果包含生成的合成数据集。这simpleemodel.属性为空([]）.
适用于第一次观察的线性简单模型tblx.．指定要查找的重要预测器的数量为3。
: queryPoint = tblX (1)
queryPoint =1×6表加速气缸位移马力Model_Year重量 ____________ _________ ____________ __________ __________ ______ 12 8 307 130 70 3504
结果=适合(结果,queryPoint, 3);
绘图酸橙目的结果通过使用对象函数情节．要在任何预测器名称中显示现有的下划线，请更改TickLabelInterpreter坐标轴的值“没有”．
f =情节(结果);f.currentaxes.TicklabelInterpreter =.“没有”;
该曲线显示对应于的查询点的两个预测BlackboxFitted财产和SimpleModelFitted的属性结果．
水平条图显示了简单模型的系数值，由其绝对值排序。石灰发现马力那model_year.， 和气缸作为查询点的重要预测因子。
model_year.和气缸是具有多个类别的分类预测器。对于线性简单模型，该软件创建比每个分类预测器的类别更少的虚拟变量。条形图仅显示最重要的虚拟变量。您可以使用该检查其他虚拟变量的系数simpleemodel.的属性结果．显示排序系数值，包括所有分类虚拟变量。
[~,我]=排序(abs (results.SimpleModel.Beta),“下”）;表（结果.simplemodel.eppandedpredictornames（i）'，结果.simplemodel.beta（i），．．.“VariableNames”，{'extedied predictor名称'那“系数”}）
ans =17×2表Exeded预测值名称系数____________________________________________________3.4485e-05 {'model_year（74 vs.70）'} -6.1279e-07 {'model_year（80 vs.70）'} -4.015e-07 {'model_year（81 vs. 70）'} 3.4176e-07 {'model_year（82 vs. 70）'} -2.2483e-07 {'圆柱（6 vs. 8）'} -1.9024e-07 {'model_year（76vs. 70）'} 1.8136E-07 {'圆柱（5 vs. 8）'} 1.7461E-07 {'model_year（71 vs.70）'} 1.558E-07 {'model_year（75 vs. 70）'}1。5456e-07 {'Model_Year (77 vs. 70)'} 1.521e-07 {'Model_Year (78 vs. 70)'} 1.4272e-07 {'Model_Year (72 vs. 70)'} 6.7001e-08 {'Model_Year (73 vs. 70)'} 4.7214e-08 {'Cylinders (4 vs. 8)' } 4.5118e-08 {'Model_Year (79 vs. 70)'} -2.2598e-08 ⋮
指定Blackbox模型为函数句柄
训练一个回归模型并创建一个酸橙对象使用函数句柄到预测模型的功能。使用对象函数合身使简单模型适合于指定的查询点。然后用目标函数显示拟合的线性简单模型的系数情节．
加载carbig数据集，其中包含在20世纪70年代和20世纪80年代初进行的汽车测量。
负载carbig
创建包含预测器变量的表加速度那气缸，等等。
TBL =桌子（加速，气瓶，位移，马力，型号，重量）;
训练一个黑匣子模型英里/加仑通过使用TreeBagger函数。
RNG（'默认'）重复性的％mdl = treebagger（100，tbl，mpg，'方法'那'回归'那'pationoricalpricictors'，[2 5]）;
酸橙不支持万博1manbetxTreeBagger直接对象，因此您无法指定第一个输入参数（Blackbox模型）酸橙作为一个TreeBagger对象。的函数句柄预测函数。您还可以指定选项预测使用函数的名称值参数函数。
创建功能句柄预测功能的功能TreeBagger目的MDL.．指定要使用的树指数数组1：50．
mypredict = @（tbl）预测（mdl，tbl，“树”，1：50）;
创建一个酸橙使用功能句柄的对象MyPredict.．当您指定黑箱模型作为函数句柄时，您必须提供预测器数据并指定'类型'名称-值参数。TBL.包括分类预测器（油缸和model_year.）与之双数据类型。默认情况下，酸橙不治疗变量双作为分类预测器的数据类型。指定第二个(油缸)及第五(model_year.)变量作为分类预测因子。
结果=石灰（MyPredict，TBL，'类型'那'回归'那'pationoricalpricictors'，[2 5]）;
适用于第一次观察的线性简单模型TBL.．要在任何预测器名称中显示现有的下划线，请更改TickLabelInterpreter坐标轴的值“没有”．
结果= FIT（结果，TBL（1，:)，4）;f =情节(结果);f.currentaxes.TicklabelInterpreter =.“没有”;
酸橙发现马力那位移那气缸， 和model_year.作为重要的预测因子。
更多关于
算法
参考
你也可以从以下列表中选择一个网站:
