ELI5 使用统一 API 可视化地调试各种机器学习模型

ELI5是一个Python库，允许使用统一API可视化地调试各种机器学习模型。 它内置了对多个ML框架的支持，并提供了一种解释黑盒模型的方法。它有助于调试机器学习分类器并解释它们的预测。它为以下机器学习框架和包提供支持：scikit-learn。目前，ELI5允许解释scikit-learning线性分类器和回归量的权重和预测，将决策树打印为文本或SVG，显示特征重要性并解释决策树和基于树的集合的预测。支持Pipeline和FeatureUnion。ELI5通过scikit-learn了解文本处理实用程序，并可相应地突出显示文本数据。它还允许通过撤消散列来调试包含HashingVectorizer的scikit-learn管道。 XGBoost  - 显示功能重要性并解释XGBClassifier，XGBRegressor和xgboost.Booster的预测。 LightGBM  - 显示功能重要性并解释LGBMClassifier和LGBMRegressor的预测。 lightning - 解释闪电分类器和回归量的权重和预测。 sklearn-crfsuite。 ELI5允许检查sklearn_crfsuite.CRF模型的权重。ELI5还实现了几种检测黑盒模型的算法（参见检查黑盒估算器）：TextExplainer允许使用LIME算法解释任何文本分类器的预测（Ribeiro等，2016）。有一些实用程序可以将LIME与非文本数据和任意黑盒分类器一起使用，但此功能目前是实验性的。 Permutation Importance方法可用于计算黑盒估计器的特征重要性。