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。
您可以创建酸橙具有指定查询点的机器学习模型的对象（queryPoint）和指定数量的重要预测（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。使用情节功能可视化石灰结果。根据本地解释，您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功能。
创建
语法
描述
结果=石灰（黑盒子'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。
结果=石灰（___那名称，价值）'simplemodeltype'，'树'指定作为决策树模型的简单模型的类型。
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。当你创造一个酸橙对象，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“评分”]）;
通过使用培训Blackbox模型的信用评级模型Fitcecoc.功能。
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。由于随机性，您的结果可能因这些结果而异酸橙．你可以通过使用来设置随机种子RNG.为重现。
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
结果=石灰(黑盒,'QueryPoint'，querypoint，'numimportantpredictors'，6，......'pationoricalpricictors'那'行业'那'simplemodeltype'那'树'）
结果=具有属性的石灰：BlackBoxModel：[1×1分类] Datalocality：'Global'类分类预备主因：6类型：'分类'X：[3932×6表] QueryPoint：[1×6表] NumimportPredictors：6 NumSyntheticData：5000合成数据[5000×6表]安装：{5000×1个单元格} SimpleModel：[1×1分类触发]重要的预计：[2 4] 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.轴的值'没有任何'．
f =情节(结果);f.CurrentAxes.TickLabelInterpreter ='没有任何'；
该曲线显示对应于的查询点的两个预测BlackboxFitted财产和零件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，您可以找到酒吧通过使用的对象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功能。
B = findobj（F，“类型”那'酒吧'）;文本（b.yendpointss + 0.001，b.xendpoints，string（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 0.088695 RE_TA 0.0018228
解释预测与线性简单模型
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。当你创造一个酸橙对象，如果不指定查询点和重要的预测数，则该软件生成的合成数据集的样本，但是不符合一个简单的模型。使用目标函数合身适合查询点的简单模型。然后通过使用对象功能显示拟合线性简单模型的系数情节．
加载carbig数据集，其中包含在上世纪70年代和80年代初制造的汽车的测量..
负载carbig
创建一个包含预测变量的表加速那气瓶等等，以及响应变量MPG．
TBL =表（加速度，缸，排气量，马力，Model_Year，体重，MPG）;
在训练组中删除丢失的值可以帮助减少内存消耗和加快培训Fitrkernel.功能。删除缺失的值TBL.．
tbl = rmmissing（tbl）;
通过删除响应变量来创建预测变量表TBL.．
tblX = removevars(资源描述,'mpg'）;
训练黑盒模型MPG通过使用Fitrkernel.功能，并创建一个酸橙目的。指定预测数据集，因为MDL.不包含预测数据。由于随机性，您的结果可能因这些结果而异Fitrkernel.和酸橙．你可以通过使用来设置随机种子RNG.为重现。
mdl = fitrkernel (tblX,资源描述。英里/加仑,'pationoricalpricictors'[2 - 5]);结果=石灰(mdl tblX,'pationoricalpricictors'，[2 5]）
结果=具有属性的石灰：BlackBoxModel：[1×1 regressionkernel] Datalocality：'Global'类分类预备主因：[2 5]类型：'回归'x：[392×6表] QueryPoint：[] NumimportantPredictors：[] NumSyntheticData：5000 SyntheticData：5000：[5000×6表]安装：[5000×1双] SimpleModel：[]重要的预分信息：[] BlackBoxFitted：[] SimpleModelfited：[]
结果包含生成的合成数据集。这simpleemodel.属性是空的（[]）.
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表加速度油缸位移马力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.轴的值'没有任何'．
f =情节(结果);f.CurrentAxes.TickLabelInterpreter ='没有任何'；
该曲线显示对应于的查询点的两个预测BlackboxFitted财产和零件SimpleModelFitted的属性结果．
横条形图显示了简单模型的系数值，按其绝对值排序。石灰发现马力那model_year.， 和气瓶作为查询点的重要预测因子。
适合多个查询点的简单模型
训练分类模型并创建酸橙使用决策树简单模型的对象。适合多个查询点的多种型号。
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'）;
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“评分”]）;
通过使用培训Blackbox模型的信用评级模型Fitcecoc.功能。
黑箱= fitcecoc (tblX,资源描述。评级,'pationoricalpricictors'那'行业'）
BlackBox = ClassificationCoc Predictornames：{'wc_ta''re_ta'''ebit_ta''mve_bvtd''s_ta'行业'} resportename：'y'pationoricalpricictors：6 classnames：{'a'''''''''''b'''bb''bbb''ccc'} scoreTransform：'无'BinaryLearners：{21×1 Cell} CodingName：'OneVSONE'属性，方法
创建一个酸橙对象与之黑盒子模型。由于随机性，您的结果可能因这些结果而异酸橙．你可以通过使用来设置随机种子RNG.为重现。
结果=石灰(黑盒,'pationoricalpricictors'那'行业'）;
发现两个查询点，其真实的评价值AAA.和B.， 分别。
querypoint（1，:) = tblx（find（strcmp（tbl.rating，“AAA”), 1):);queryPoint (2) = tblX(找到(strcmp(资源描述。评级,'B'), 1),:)
queryPoint =2×6表WC_TA RE_TA EBIT_TA MVE_BVTD S_TA行业_____ _____ _______ ________ _____ ________ 0.121 0.413 0.057 3.647 0.466 0.019 12 0.009 0.042 0.257 0.119 1
适合第一个查询点的线性简单模型。将重要预测因子的数量设置为4。
newresults1 = fit（结果，querypoint（1，:)，4）;
绘制LIME结果图newresults1.对于第一个查询点。要在任何预测器名称中显示现有的下划线，请更改ticklabelinterpreter.轴的值'没有任何'．
f1 = plot（newresults1）;f1.currentaxes.ticklabelinterpreter =.'没有任何'；
适用于第一个查询点的线性决策树模型。
newresults2 = fit（结果，querypoint（1，:)，6，'simplemodeltype'那'树'）;f2 =情节(newresults2);f2.CurrentAxes。TickLabelInterpreter ='没有任何'；
简单的模型newresults1.和newresults2.既找到MVE_BVTD和RE_TA作为重要的预测因子。
适用于第二个查询点的线性简单模型，并对第二个查询点绘制石灰结果。
newresults3 = fit（结果，querypoint（2，:)，4）;f3 = plot（newresults3）;f3.currentaxes.ticklabelinterpreter =.'没有任何'；
预测来自黑盒子模型是B.，但简单模型的预测则不然B.．当两种预测不一样时，您可以指定更小的'kernelwidth'价值。该软件使用更重要的权重拟合在查询点附近的样本上的权重。如果查询点是异常值或位于决策边界附近，那么即使指定小型，两个预测值也可以不同'kernelwidth'价值。在这种情况下，您可以更改其他名称 - 值对的参数。例如，您可以生成本地合成数据集（指定'datalocality'的酸橙作为'当地的'）对于查询点并增加样本的数量（'NumSyntheticData'的酸橙或者合身）在合成数据集中。您还可以使用不同的距离度量（'距离'的酸橙或者合身）.
适合线性简单模型，小'kernelwidth'价值。
newresults4 =适合(结果,queryPoint (2:), 4,'kernelwidth'，0.01）;f4 = plot（newresults4）;f4.currentaxes.ticklabelinterpreter =.'没有任何'；
第一个和第二个查询点的信用评级是AAA.和B.， 分别。简单的模型newresults1.和newresults4.既找到MVE_BVTD那RE_TA， 和wc_ta.作为重要的预测因子。然而，它们的系数值是不同的。该地图表明，这些预测因子根据信用评级而不同地行动。
更多关于
算法
参考
也可以看看
您还可以从以下列表中选择一个网站：
