5. Инспекция

Прогнозирующая производительность часто является основной целью разработки моделей машинного обучения. Однако суммирование производительности с помощью метрики оценки часто недостаточно: предполагается, что метрика оценки и тестовый набор данных идеально отражают целевую область, что редко бывает правдой. В определенных областях модель должна обладать определенным уровнем интерпретируемости перед развертыванием. Модель, демонстрирующая проблемы с производительностью, требует отладки для понимания основной проблемы модели. The sklearn.inspection модуль предоставляет инструменты для понимания предсказаний модели и факторов, влияющих на них. Это может использоваться для оценки предположений и смещений модели, разработки лучшей модели или диагностики проблем с производительностью модели.

Примеры

• Распространённые ошибки в интерпретации коэффициентов линейных моделей

• 5.1. Графики частичной зависимости и индивидуального условного ожидания
  • 5.1.1. Графики частных зависимостей
  • 5.1.2. График индивидуального условного ожидания (ICE)
  • 5.1.3. Математическое определение
  • 5.1.4. Методы вычислений
• 5.2. Важность признаков на основе перестановок
  • 5.2.1. Обзор алгоритма важности перестановок
  • 5.2.2. Связь с важностью на основе примесей в деревьях
  • 5.2.3. Вводящие в заблуждение значения для сильно коррелированных признаков