ML之LIME：基于boston波士頓房價數據集回歸預測利用LIME/SP-LIME局部解釋圖/權重圖結合RF隨機森林模型實現模型事后解釋案例之詳細攻略

目錄

基于boston波士頓房價數據集回歸預測利用LIME/SP-LIME局部解釋圖/權重圖結合RF隨機森林模型實現模型事后解釋案例之詳細攻略

# 1、定義數據集

# 2、數據預處理

# 2.1、分離特征和標簽

# 2.2、獲取類別型特征索引

# 3、模型建立并訓練

# 3.1、數據集切分

# 3.2、建立模型并訓練

# 3.3、模型預測

# 4、解釋模型

# 4.1、生成LIME解釋器

# 4.2、基于LIME對局部點的解釋

# 4.3、基于LIME顯示詳細信息圖

# 4.4、基于LIME顯示權重圖：輸出對應的特征變量的局部解釋圖

# 4.5、利用SP-LIME帶有子模塊優化的LIME算法實現全局解釋

---

相關文章
ML之LIME：基于boston波士頓房價數據集回歸預測利用LIME/SP-LIME局部解釋圖/權重圖結合RF隨機森林模型實現模型事后解釋案例之詳細攻略
ML之LIME：基于boston波士頓房價數據集回歸預測利用LIME/SP-LIME局部解釋圖/權重圖結合RF隨機森林模型實現模型事后解釋案例之詳細攻略實現

基于boston波士頓房價數據集回歸預測利用LIME/SP-LIME局部解釋圖/權重圖結合RF隨機森林模型實現模型事后解釋案例之詳細攻略

# 1、定義數據集

	CRIM	ZN	INDUS	CHAS	NOX	RM	AGE	DIS	RAD	TAX	PTRATIO	B	LSTAT	price
0	0.00632	18	2.31	0	0.538	6.575	65.2	4.09	1	296	15.3	396.9	4.98	24
1	0.02731	0	7.07	0	0.469	6.421	78.9	4.9671	2	242	17.8	396.9	9.14	21.6
2	0.02729	0	7.07	0	0.469	7.185	61.1	4.9671	2	242	17.8	392.83	4.03	34.7
3	0.03237	0	2.18	0	0.458	6.998	45.8	6.0622	3	222	18.7	394.63	2.94	33.4
4	0.06905	0	2.18	0	0.458	7.147	54.2	6.0622	3	222	18.7	396.9	5.33	36.2
5	0.02985	0	2.18	0	0.458	6.43	58.7	6.0622	3	222	18.7	394.12	5.21	28.7
6	0.08829	12.5	7.87	0	0.524	6.012	66.6	5.5605	5	311	15.2	395.6	12.43	22.9
7	0.14455	12.5	7.87	0	0.524	6.172	96.1	5.9505	5	311	15.2	396.9	19.15	27.1
8	0.21124	12.5	7.87	0	0.524	5.631	100	6.0821	5	311	15.2	386.63	29.93	16.5
9	0.17004	12.5	7.87	0	0.524	6.004	85.9	6.5921	5	311	15.2	386.71	17.1	18.9

# 2、數據預處理

# 2.1、分離特征和標簽

data_X.shape,data_y.shape (506, 13) (506,)

# 2.2、獲取類別型特征索引

categorical_features_index [3 8]

# 3、模型建立并訓練

# 3.1、數據集切分

# 3.2、建立模型并訓練

# 3.3、模型預測

RFR_R2： 0.7779596519110754
RFR_MSE： 2.445354901960794

# 4、解釋模型

# 4.1、生成LIME解釋器

Intercept 24.92879400416056
Prediction_local [22.50477631]
Right: 22.343499999999995

# 4.2、基于LIME對局部點的解釋

# 測試集中任意挑選一個樣本，設置用5個特征變量來開始解釋。會輸出線性代理模型的截距，系數，標準化之后的樣本數據，用LIME得到的解釋值以及RF預測該樣本的值

exp_list?
?[('6.20 < RM <= 6.62', -2.795215449084299), ('7.19 < LSTAT <= 11.49', 1.844260653254622), ('19.05 < PTRATIO <= 20.20', -0.5871239693866448), ('330.00 < TAX <= 666.00', -0.5434185191566738), ('0.25 < CRIM <= 3.68', -0.34252040870538353)]

# 4.3、基于LIME顯示詳細信息圖

解釋的行以表格的形式顯示在右側，LIME在解釋中離散化了特征

# 4.4、基于LIME顯示權重圖：輸出對應的特征變量的局部解釋圖

輸出對應的特征變量的局部解釋圖

# 4.5、利用SP-LIME帶有子模塊優化的LIME算法實現全局解釋

………………before submodular_pick.SubmodularPick……………… Intercept 26.57607003445879 Prediction_local [17.28878941] Right: 13.99959999999987 Intercept 24.46991901914869 Prediction_local [22.71236873] Right: 41.66589999999996 Intercept 25.23673616420291 Prediction_local [21.2921698] Right: 21.184700000000095 Intercept 26.426672242658093 Prediction_local [18.86406084] Right: 18.158399999999947 Intercept 25.57563422165384 Prediction_local [22.20183543] Right: 24.299499999999707 Intercept 24.14176081425899 Prediction_local [25.52806146] Right: 22.002000000000127 Intercept 19.958626465901155 Prediction_local [37.24026643] Right: 46.02550000000028 Intercept 24.71807610269299 Prediction_local [23.61962036] Right: 31.206600000000346 Intercept 25.600620511937866 Prediction_local [20.21091994] Right: 17.617599999999797 Intercept 24.523973775962826 Prediction_local [22.87296153] Right: 19.997299999999775 ………………len(sp_obj.sp_explanations)……………… 1

總結

以上是生活随笔為你收集整理的ML之LIME：基于boston波士顿房价数据集回归预测利用LIME/SP-LIME局部解释图/权重图结合RF随机森林模型实现模型事后解释案例之详细攻略的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。