iml公司

R包iml:可解释机器学习。可解释性分析任何机器学习模型的行为和预测的方法。实现的方法有:Fisher等人(2018)描述的特征重要性<arXiv:1801.01489>,Apley(2018)<arXiv:1612.08468>描述的累积局部效应图,Friedman(2001)描述的部分依赖图<http://www.jstor.org/stable/269986>,个体条件期望(“ice”)Goldstein et al.(2013)描述的地块,<doi:10.1080/10618600.2014.907095>,Ribeiro等人(2016)描述的局部模型(“lime”的变体)<arXiv:1602.04938>,Strumbelj et.al(2014)描述的Shapley值<doi:10.1007/s10115-013-0679-x>,Friedman et.al<doi:10.1214/07-AOAS148>描述的特征交互和树代理模型。