4. Инспектирование

Предсказание производительности часто является основной целью разработки моделей машинного обучения. Тем не менее, обобщение производительности с помощью метрики оценки часто бывает недостаточным: предполагается, что метрика оценки и тестовый набор данных идеально отражают целевую область, что редко бывает правдой. В некоторых областях модель нуждается в определенном уровне интерпретируемости, прежде чем ее можно будет использовать. Модель, демонстрирующую проблемы с производительностью, необходимо отладить, чтобы понять, в чем ее суть. Модуль sklearn.inspection предоставляет инструменты для понимания предсказаний модели и того, что на них влияет. Это может быть использовано для оценки предположений и смещений модели, разработки более совершенной модели или диагностики проблем с производительностью модели.

Примеры:

• Распространенные ошибки при интерпретации коэффициентов линейных моделей

• 4.1. Графики частичной зависимости и индивидуального условного ожидания
  • 4.1.1. Графики частичной зависимости (Partial dependence plots - PDP)
  • 4.1.2. График индивидуального условного ожидания (Individual conditional expectation - ICE)
  • 4.1.3. Математическое определение
  • 4.1.4. Методы вычислений
• 4.2. Вычисление важности признаков с помощью перестановки
  • 4.2.1. Краткое описание алгоритма важности признаков при перестановки
  • 4.2.2. Связь с важностью примесей в деревьях
  • 4.2.3. Вводящие в заблуждение значения сильно коррелирующих признаков