解释并调试任何黑匣子机器学习模型。
explainx的Python项目详细描述
explainX:数据科学家可解释的人工智能框架
ExplainX是一个面向数据科学家和商业用户的模型可解释性/可解释性框架。
使用explainX来理解整个模型行为,解释模型预测背后的“原因”,消除偏见,并为业务涉众创建令人信服的解释。
为什么我们需要模型的可解释性和可解释性?
基本用途:
- 解释模型预测
- 调试模型
- 检测数据中的偏差
- 获得业务用户的信任
- 成功部署AI解决方案
我们可以用explainX回答哪些问题?
- 为什么我的模型会出错?在
- 我的模型有偏见吗?如果是,在哪里?在
- 我如何理解和信任模特的决定?在
- 我的模型是否满足法律和法规要求?在
访问我们的网站了解更多信息:https://www.explainx.ai
开始吧
安装
Python 3.5+| Linux、Mac、Windows
pip install explainx
要在Windows上下载,请先安装Microsoft C++ Build Tools,然后通过pip
安装explainX包
云端安装
如果您正在云上使用笔记本实例(AWS SageMaker、Colab、Azure),请按照我们的分步指南安装和运行explainX cloud。 Cloud Installation Instructions
用法(示例)
成功安装explainX后,打开Python IDE of Jupyter笔记本,只需按照以下代码使用它:
- 导入所需模块。在
- 加载数据集并将其拆分为x\u数据和y\u数据
#Load Dataset: X_Data, Y_Data #X_Data = Pandas DataFrame#Y_Data = Numpy Array or ListX_data,Y_data=explainx.dataset_heloc()
- 将数据集拆分为培训和测试。在
X_train,X_test,Y_train,Y_test=train_test_split(X_data,Y_data,test_size=0.3,random_state=0)
- 训练你的模特。在
# Train a RandomForest Modelmodel=RandomForestClassifier()model.fit(X_train,Y_train)
- 将模型和数据集传递到explainX函数:
explainx.ai(X_test,Y_test,model,model_name="randomforest")
- 单击仪表板链接开始探索模型行为:
Apprunningonhttps://0.0.0.0:8080
如果您在云上运行explainX,例如AWS Sagemaker?https://0.0.0.0:8080将不起作用。 {请访问我们的云安装说明:^请访问我们的云安装说明
安装完成后,只需打开终端并运行以下命令。在
lt -h "https://serverless.social" -p [port number]
lt -h "https://serverless.social" -p 8080
漫游视频教程
请单击下面的图片加载教程:
(注意:请手动设置为720p或更高,以使文本显示清晰)
支持的技术
Interpretability Technique | Status |
---|---|
SHAP Kernel Explainer | Live |
SHAP Tree Explainer | Live |
What-if Analysis | Live |
Model Performance Comparison | Live |
Partial Dependence Plot | Live |
Surrogate Decision Tree | Coming Soon |
Anchors | Coming Soon |
Integrated Gradients (IG) | Coming Soon |
支持的主要型号
^{tb2}$贡献
欢迎拉取请求。为了对explainx进行更改,理想的方法是分叉存储库,然后在本地克隆fork。在
对于重大变化,请先打开一个问题,讨论您希望更改的内容。 请确保根据需要更新测试。在
报告问题
请在使用explainX时通过reporting any issues帮助我们。在
许可证
- 项目
标签: