Py之alibi:alibi的简介(ALE/Anchor/ContraE/Counterfactual/IG/Kernel SHAP/PDP/PDV/PI/SimiEx)、安装、使用方法之详细攻略
导读:Alibi Explain是一个开源的Python库,用于机器学习模型的检查和解释。它提供了各种解释方法和示例,用于检查和解释机器学习模型。该库的重点是为分类和回归模型提供高质量的黑盒、白盒、局部和全局解释方法的实现。它支持文本、表格和图像数据。
Alibi库提供了多种解释方法,包括局部解释和全局解释,使用户能够解释模型的预测结果,并验证模型在不同数据集上的一致性和稳定性。Alibi库中,可解释性的方法包括ALE累积局部效应、Anchor锚点解释、ContraE对比解释方法、Counterfactual反事实实例、Prototypes由原型指导的反事实实例、RL基于强化学习的反事实实例、IG积分梯度、Kernel SHAP、PDP部分依赖、PDV部分依赖方差、PI置换重要性、SimiEx相似性说明、TreeSHAP。
五类可解释性方法如下所示:全局特因+局部必要+局部特因+反事实+相似比较