shap.explainers.other.LimeTabular

class shap.explainers.other.LimeTabular(model, data, mode='classification')

简单地将 lime.lime_tabular.LimeTabularExplainer 包装到常见的 shap 接口中。

参数:

模型函数或 iml.Model

用户提供的函数，该函数接受一个样本矩阵（# 样本数 x # 特征数）并计算这些样本的模型输出。输出可以是一个向量（# 样本数）或一个矩阵（# 样本数 x # 模型输出数）。

数据numpy.array

背景数据集。

模式“分类” 或 “回归”

控制 LIME 表格的模式。

__init__(model, data, mode='classification')

为传递的模型构建一个新的解释器。

参数:

模型对象或函数

用户提供的函数或模型对象，该对象接受样本数据集并计算模型对这些样本的输出。

掩码器函数, numpy.array, pandas.DataFrame, 分词器, None, 或每个模型输入的这些列表

用于“掩码”表单中隐藏特征的函数 masked_args = masker(*model_args, mask=mask)。它以与模型相同的格式接收输入，但对于仅包含二进制掩码的单个样本，然后返回掩码样本的可迭代对象。这些掩码样本随后将使用模型函数进行评估，并平均输出。作为SHAP标准掩码使用的快捷方式，您可以传递一个背景数据矩阵而不是函数，该矩阵将用于掩码。特定领域的掩码函数在shap中可用，例如用于图像的shap.ImageMasker和用于文本的shap.TokenMasker。除了确定如何替换隐藏特征外，掩码器还可以约束用于解释模型的合作游戏的规则。例如，shap.TabularMasker(data, hclustering=”correlation”) 将强制游戏的联盟进行层次聚类（在这种情况下，归因被称为Owen值）。

链接函数

链接函数用于在模型的输出单元和SHAP值单元之间进行映射。默认情况下，它是shap.links.identity，但shap.links.logit可能很有用，这样期望值以概率单位计算，而解释则保持在（更自然地可加的）对数几率单位。有关链接函数如何工作的更多详细信息，请参阅广义线性模型的链接函数概述。

算法“auto”, “permutation”, “partition”, “tree”, 或 “linear”

用于估计Shapley值的算法。有许多不同的算法可以用来估计Shapley值（以及受限游戏的相应值），每种算法都有不同的权衡，并且在不同情况下更可取。默认情况下，“auto”选项会根据传入的模型和掩码器尝试做出最佳选择，但这个选择总是可以通过传递特定算法的名称来覆盖。所使用的算法类型将决定此构造函数返回的子类对象类型，如果您更喜欢或需要对其选项进行更精细的控制，您也可以直接构建这些子类。

输出名称无或字符串列表

模型输出的名称。例如，如果模型是一个图像分类器，那么 output_names 将是所有输出类的名称。此参数是可选的。当 output_names 为 None 时，此解释器生成的 Explanation 对象将没有任何 output_names，这可能会影响下游图表。

种子: None 或 int

用于可重复性的种子

方法

__init__(model, data[, mode])	为传递的模型构建一个新的解释器。
attributions(X[, nsamples, num_features])
explain_row(*row_args, max_evals, ...)	解释单行并返回元组 (row_values, row_expected_values, row_mask_shapes, main_effects)。
load(in_file[, model_loader, masker_loader, ...])	从给定的文件流中加载一个解释器。
save(out_file[, model_saver, masker_saver])	将解释器写入给定的文件流。
supports_model_with_masker(model, masker)	确定此解释器是否可以处理给定的模型。

explain_row(*row_args, max_evals, main_effects, error_bounds, outputs, silent, **kwargs)

解释单行并返回元组 (row_values, row_expected_values, row_mask_shapes, main_effects)。

这是一个抽象方法，旨在由每个子类实现。

返回:

元组

一个元组 (row_values, row_expected_values, row_mask_shapes)，其中 row_values 是每个样本的归因值数组，row_expected_values 是表示模型对每个样本的预期值的数组（或单个值）（除非存在固定输入，如解释损失时的标签，否则所有样本的预期值相同），row_mask_shapes 是所有输入形状的列表（因为 row_values 总是被展平）。

classmethod load(in_file, model_loader=<bound method Model.load of <class 'shap.models._model.Model'>>, masker_loader=<bound method Serializable.load of <class 'shap.maskers._masker.Masker'>>, instantiate=True)

从给定的文件流中加载一个解释器。

参数:

in_file用于加载对象的文件流。

save(out_file, model_saver='.save', masker_saver='.save')

将解释器写入给定的文件流。

static supports_model_with_masker(model, masker)

确定此解释器是否可以处理给定的模型。

这是一个抽象静态方法，旨在由每个子类实现。