Python中的可解释AI解决方案和包
Python中的可解释AI解决方案和包
提问于 2022-02-01 08:26:27
我最近建立了一个用于二进制分类的逻辑回归。
虽然我明白逻辑回归是可解释的，但我试图使用可解释的AI解决方案来理解预测。为此，我试图列出所有的XAI解决方案，并将结果与其他方案进行比较。
到目前为止，这些都在下面，我已经确定
XAI解决方案
( a) SHAP
( b)石灰
( c) PFI
( d)属地
Python包实现
( a)展览仪表板
( b) ExplainX.ai
( c) Shapash
有什么可以添加到列表中的吗？
对像我这样的初学者来说真的很有用
回答 1
Data Science用户
发布于 2022-02-01 08:51:28
在不完全了解您想要解决的问题的情况下，请参阅下面的一些可解释的包和/或方法，我发现这些包和/或方法在过去非常有用，特别是对于DL和NLP任务。
套餐：
- https://github.com/pair-code/lit
- https://github.com/mruberry/captum
- https://www.tensorflow.org/tensorboard/what_如果_工具
书面和文件：
- https://proceedings.neurips.cc/paper/2019/file/567b8f5f423af15818a068235807edc0-Paper.pdf
- https://arxiv.org/pdf/1512.02479.pdf
特定于表格数据，
我发现在TabNet模型中使用每步生产的掩膜相当有见地。Tabnet还在与Shap相同的上下文中产生聚合重要性。面具可以告知这些重要的功能是如何结合起来，以提高模型的性能。
你可以很容易地使用在纯丙酮或fast.ai中的梦想夸克-ai实现来实验这一点。
- TabNet文件：https://arxiv.org/abs/1908.07442
- TabNet火炬实现：https://github.com/dreamquark-ai/tabnet
- TabNet fast ai：https://github.com/mgrankin/fast_表网
希望这能有所帮助。
编辑: Tabnet
页面原文内容由Data Science提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://datascience.stackexchange.com/questions/107717
复制相关文章
相似问题
腾讯云开发者
