11_模型可解释性与可视化

---

博文配套视频课程：24小时实现从零到AI人工智能

---

线性回归可解释性

可解释性，则说明对于模型的结果我们是可以理解的，我们不但知道正确率，我们还知道正确率怎么来的，在生成环境中我们可能会通过模型的可及时性获取与之相关的特征，这样可以使的我们样本更具有训练意义

print(lr.coef_,lr.intercept_)
# 默认的排序结果是从小到大排序,因此最左边就是负相关比较高的值
print(np.argsort(lr.coef_))
# 是一个(13,) 的 ndarray数据类型
print(type(lb.feature_names))
# 传入排序后的索引，就可以得到排序后的特征名称的从小到大的排序结果
print(lb.feature_names[np.argsort(lr.coef_)])
# 线性回归具有可解释型，可以从模型中获取重要的指标(对比深度学习没有可解释性)
# 例如：RM,是正相关的,那么相应影响RM的值例如: 面积大小、多少层、院子多大
# 例如：NOX是负相关的,那是否采集周边是否有相应的化工厂等指标来影响房价
print(lb.DESCR)

模型特征的可视化

# 通过可视化的方式显示某个特征与价格之间的关系
import matplotlib.pyplot as plt

#  修改默认字体，否则会有中文乱码问题
plt.rcParams['font.sans-serif'] = ['SimHei']


# X[行,列] X[:,[2,3,4]]
def drawScatter(x, y, xlabel):
    plt.scatter(x, y)
    plt.xlabel(xlabel)
    plt.ylabel('房价')
    plt.title(f'{xlabel}与房价的散点图')
    plt.grid()
    plt.show()


drawScatter(X[:, 5], y, "房间数")
drawScatter(X[:, 4], y, "环保指标")

房间数与房价正相关散点图

空气指标与房价逆相关散点图