人工智能用于可解释机器学习的 Python 库( 三 )


from sklearn.ensemble import RandomForestClassifier
下面的可视化工具一次只能接受两个特征作为输入 , 所以我们创建了数组["proline", "color_intensity"] 。 因为这两个特征在上述利用ELI5分析时 , 具有最高的特征重要性 。
X_train_ml = X_train[["proline", "color_intensity"]].values
y_train_ml = y_train.values
接下来 , 我们创建一些分类器 , 并在训练数据上进行拟合 , 通过MLxtend可视化他们的决策边界 。 输出来自下面的代码 。
clf1 = LogisticRegression(random_state=1)
clf2 = RandomForestClassifier(random_state=1)
clf3 = GaussianNB()
eclf = EnsembleVoteClassifier(clfs=[clf1, clf2, clf3], weights=[1,1,1])
value=http://news.hoteastday.com/a/1.5
width=0.75
gs = gridspec.GridSpec(2,2)
fig = plt.figure(figsize=(10,8))
labels = ["Logistic Regression", "Random Forest", "Naive Bayes", "Ensemble"]
for clf, lab, grd in zip([clf1, clf2, clf3, eclf],
labels,
itertools.product([0, 1], repeat=2)):
clf.fit(X_train_ml, y_train_ml)
ax = plt.subplot(gs[grd[0], grd[1]])
fig = plot_decision_regions(X=X_train_ml, y=y_train_ml, clf=clf)
plt.title(lab)
人工智能用于可解释机器学习的 Python 库
本文插图
以上绝对不是模型可解释和可视化工具包的完整列表 。 这篇博文罗列了包含其他有用的工具包的列表 , 值得一试 。
感谢阅读!
雷锋字幕组是一个由 AI 爱好者组成的翻译团队 , 汇聚五百多位志愿者的力量 , 分享最新的海外AI资讯 , 交流关于人工智能技术领域的行业变革与技术创新的见解 。
团队成员有大数据专家、算法工程师、图像处理工程师、产品经理、产品运营、IT咨询人、在校师生;志愿者们来自IBM、AVL、Adobe、阿里、百度等知名企业 , 北大、清华、港大、中科院、南卡罗莱纳大学、早稻田大学等海内外高校研究所 。
如果 , 你也是位热爱分享的AI爱好者 。 欢迎与雷锋字幕组一起 , 学习新知 , 分享成长 。
人工智能用于可解释机器学习的 Python 库
本文插图
雷锋网雷锋网


推荐阅读