0
点赞
收藏
分享

微信扫一扫

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


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

目录

​​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​​

​​# 1、定义数据集​​

​​# 2、数据预处理​​

​​# 2.1、分离特征和标签​​

​​# 2.2、获取类别型特征索引​​

​​# 3、模型建立并训练​​

​​# 3.1、数据集切分​​

​​# 3.2、建立模型并训练​​

​​# 3.3、模型预测​​

​​# 4、解释模型​​

​​# 4.1、生成LIME解释器​​

​​# 4.2、基于LIME对局部点的解释​​

​​# 4.3、基于LIME显示详细信息图​​

​​# 4.4、基于LIME显示权重图:输出对应的特征变量的局部解释图​​

​​# 4.5、利用SP-LIME带有子模块优化的LIME算法实现全局解释​​

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

# 1、定义数据集

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、数据预处理

# 2.1、分离特征和标签

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

# 2.2、获取类别型特征索引

categorical_features_index [3 8]

# 3、模型建立并训练

# 3.1、数据集切分

# 3.2、建立模型并训练

# 3.3、模型预测

RFR_R2: 0.7779596519110754
RFR_MSE: 2.445354901960794

# 4、解释模型

# 4.1、生成LIME解释器

Intercept 24.92879400416056
Prediction_local [22.50477631]
Right: 22.343499999999995

# 4.2、基于LIME对局部点的解释

# 测试集中任意挑选一个样本,设置用5个特征变量来开始解释。会输出线性代理模型的截距,系数,标准化之后的样本数据,用LIME得到的解释值以及RF预测该样本的值

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显示详细信息图

解释的行以表格的形式显示在右侧,LIME在解释中离散化了特征

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_算法

# 4.4、基于LIME显示权重图:输出对应的特征变量的局部解释图

输出对应的特征变量的局部解释图

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_权重_02

# 4.5、利用SP-LIME带有子模块优化的LIME算法实现全局解释

………………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

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_数据集_03

举报

相关推荐

0 条评论