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
相关文章
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实现
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
# 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
# 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相关推荐
- ML之LiRDNNEL:基于skflow的LiR、DNN、sklearn的RF对Boston(波士顿房价)数据集进行回归预测(房价)
ML之LiR&DNN&EL:基于skflow的LiR.DNN.sklearn的RF对Boston(波士顿房价)数据集进行回归预测(房价) 目录 输出结果 设计思路 核心代码 输出结果 ...
- ML之DTRFRExtraTRGBR:基于四种算法(DT、RFR、ExtraTR、GBR)对Boston(波士顿房价)数据集(506,13+1)进行价格回归预测并对比各自性能
ML之DT&RFR&ExtraTR&GBR:基于四种算法(DT.RFR.ExtraTR.GBR)对Boston(波士顿房价)数据集(506,13+1)进行价格回归预测并对比各自 ...
- ML之kNN(两种):基于两种kNN(平均回归、加权回归)对Boston(波士顿房价)数据集(506,13+1)进行价格回归预测并对比各自性能
ML之kNN(两种):基于两种kNN(平均回归.加权回归)对Boston(波士顿房价)数据集(506,13+1)进行价格回归预测并对比各自性能 目录 输出结果 设计思路 核心代码 输出结果 Bosto ...
- ML之SVM(三种):基于三种SVM(linearSVR、polySVR、RBFSVR)对Boston(波士顿房价)数据集(506,13+1)进行价格回归预测并对比各自性能
ML之SVM(三种):基于三种SVM(linearSVR.polySVR.RBFSVR)对Boston(波士顿房价)数据集(506,13+1)进行价格回归预测并对比各自性能 目录 输出结果 设计思路 ...
- ML之LiRSGDR:基于二种算法(LiR、SGDR)对Boston(波士顿房价)数据集(506,13+1)进行价格回归预测并对比各自性能
ML之LiR&SGDR:基于二种算法(LiR.SGDR)对Boston(波士顿房价)数据集(506,13+1)进行价格回归预测并对比各自性能 目录 输出结果 设计思路 核心代码 输出结果 Bo ...
- ML之回归预测:利用13种机器学习算法对Boston(波士顿房价)数据集【13+1,506】进行回归预测(房价预测)+预测新数据得分
ML之回归预测:利用13种机器学习算法对Boston(波士顿房价)数据集[13+1,506]进行回归预测(房价预测)+预测新数据得分 导读 本文章基于前边的一篇文章,对13种机器学习的回归模型性能比较 ...
- ML之xgboost:利用xgboost算法对Boston(波士顿房价)数据集【特征列分段→独热编码】进行回归预测(房价预测)+预测新数据得分
ML之xgboost:利用xgboost算法对Boston(波士顿房价)数据集[特征列分段→独热编码]进行回归预测(房价预测)+预测新数据得分 导读 对Boston(波士顿房价)数据集进行特征工程,分 ...
- ML之回归预测:利用13种机器学习算法对Boston(波士顿房价)数据集【13+1,506】进行回归预测(房价预测)来比较各模型性能
ML之回归预测:利用13种机器学习算法对Boston(波士顿房价)数据集[13+1,506]进行回归预测(房价预测)来比较各模型性能 导读 通过利用13种机器学习算法,分别是LiR.kNN.SVR.D ...
- ML之RFDT:利用RF(RFR)、DT(DTR)两种算法实现对boston(波士顿房价)数据集进行训练并预测
ML之RF&DT:利用RF(RFR).DT(DTR)两种算法实现对boston(波士顿房价)数据集进行训练并预测 目录 输出结果 实现代码 输出结果 1.两种算法的预测结果 2.回归树的可视化 ...
- Dataset之Boston:Boston波士顿房价数据集的简介、下载、使用方法之详细攻略
Dataset之Boston:Boston波士顿房价数据集的简介.下载.使用方法之详细攻略 目录 Boston波士顿房价数据集的简介 Boston波士顿房价数据集的下载 Boston波士顿房价数据集的 ...
最新文章
- ttf能改成gfont吗_粉丝喊话岳云鹏改回本名 小岳岳在线蒙圈:我还能改成岳云啥...
- 卧槽!又一 SQL 神器面世!!
- php周计划表_PHP学习计划书
- 字符在utf-8,gbk,gb2312,iso8859-1下的编码实验
- VTK:相互作用之CallBack
- LuceneLucene简介
- “西邮漫记”--自由照耀中国
- newifi3高恪魔改最新_12.22达达最新球球id账号呆瓜表
- access 打印预览 代码_如何在亚银标签纸上批量打印条形码
- POJ3250 Bad Hair Day【单调递减队列+堆栈】
- Python爬虫之(四)urllib库的高级用法
- java mongodb 条件查询_java实现如下条件的mongodb查询
- 学生学籍管理系统可行性分析报告
- 测试鼠标宏软件,Mini Mouse Macro(鼠标宏设置工具)
- wd移动硬盘插电脑没反应_WD MY BOOK 桌面移动硬盘 插电脑不识别的解决办法。
- 自学自用 = B站(操作系统_清华大学(向勇、陈渝)) 未完待续。。(转载)
- 拉钩网爬取所有python职位信息
- 虚拟化构建二分图(BZOJ2080 题解+浅谈几道双栈排序思想的题)
- nginx域名重定向 实现新旧域名过渡
- 计算机毕业设计java+ssm二手书交易管理系统(源码+系统+mysql数据库+Lw文档)