调试机器学习分类器并解释其预测
eli5的Python项目详细描述
更改日志
0.10.1（2019-08-29）
- 不包括对Python3.5的类型依赖+ 修复Python3.7上的安装
0.10.0（2019-08-21）
- keras图像分类器：用grad-cam解释预测 （GSOC-2019项目，@teabolt）。
0.9.0（2019-07-05）
- CatBoost支持：显示CatBoostClassifier的功能重要性， catboostregressor和catboost.catboost。
- 测试修复：修复scikit学习0.21+，在travis上使用xenial base
- 捕捉错误安装的lightgbm的异常
0.8.2（2019-04-04）
- 固定scikit学习0.21+支持（删除随机线性模型 从scikit learn）；
- 修正了pandas.dataframe+xgboost对置换重要性的支持；
- 使用最新版本修复了测试；
- 添加了conda安装说明（conda包由社区维护）；
- 教程更新为使用xgboost 0.81；
- 更新文档以使用pandoc 2.x.
0.8.1（2018-11-19）
- 修复了Python3.7支持；
- 增加了对xgboost>；0.6a2；的支持
- 修正了numpy中的折旧警告>；=1.14；
- 文档、类型注释和测试改进。
0.8（2017-08-25）
- 向后不兼容 ：带解释的dataframe对象不再 使用索引和透视表，它们现在只是普通的数据帧；
- 增加了检验黑箱模型的新方法 （ eli5置换重要性 ）；
- transform_feature_names是为sklearn的minmaxscaler实现的， StandardScaler、MaxAbsScaler和RobustScaler；
- 零和负特征重要性不再隐藏；
- 与scikit learn的固定兼容性为0.19；
- 修复了与lightgbm master的兼容性（2.0.5和2.0.6仍然是 不支持-lightgbm中有错误）；
- 文档、测试和类型注释改进。
0.7（2017-07-03）
- 更好的pandas.dataframe集成： eli5.explain_weights_df ， eli5.解释权重dfs ， eli5.解释预测df ， eli5.解释预测的dfs ， eli5.format\u作为数据帧<；eli5.formatters.as\u dataframe.format\u作为数据帧>； 以及 eli5.format_as_dataframes<；eli5.formatters.as_dataframe.format_as_dataframes>； 函数允许将解释导出到pandas.dataframes；
- eli5.explain_prediction 现在显示二进制文件的预测类 分类器（以前总是显示正类）；
- eli5.explain_prediction 现在支持 目标=[<；class>；] 。 对于二进制分类器；例如，显示负类的结果， 您可以使用eli5.explain_prediction（…， targets=[false]） ；
- 支持eli5.解释预测和eli5.解释权重 对于sklearn.svm中基于libsvm的线性估计器： svc（kernel='linear'） （仅二进制分类）， nusvc（kernel='linear'） （仅 二元分类， svr（kernel="线性"） ， nusvr（kernel="线性"） ， 一个类支持向量机（kernel="linear"） ；
- 修正了python 2中的lightgbm估计器 重要性类型 是"分割"或"权重"；
- 测试改进。
0.6.4（2017-06-22）
- 修正了eli5.explain_prediction对于最新的 lightgbm 版本；
- 修正了formatters.html中的Python3不推荐警告；
- 测试改进。
0.6.3（2017-06-02）
- eli5.解释权重 和 eli5.解释预测 与xgboost.booster一起使用，而不仅仅是与类似sklearn的api一起使用；
- eli5.formatters.as_dict.format_as_dict 现在可用作 eli5.格式为dict
- 测试和文档修复。
0.6.2（2017-05-17）
- 可读性 eli5.解释xgboost模型的重量 pandas.dataframe；
- 可读的 eli5.解释lightgbm模型的权重 pandas.dataframe；
- 修正了eli5的问题。解释xgboost的预测 在pandas.dataframe上训练的模型，当要素名称包含点时；
- 测试改进。
0.6.1（2017-05-10）
- 更好的熊猫支持 xgboost、sklearn、lightgbm和lightning。
0.6（2017-05-03）
- 更好的scikit学习eli5中的管道支持。解释权重： 现在可以直接传递管道对象。只能治愈 基于SelectorMin的变压器、FeatureUnion和变压器 支持使用 获取功能名称，但用户可以注册其他 变压器；将扩展支持的变压器的内置列表 将来。有关详细信息，请参见sklearn pipelines。
- 现在在featureunion中支持hashingvectorizer的反转 通过 eli5.sklearn.unshing.invert_hashing_and_fit 。 请参见sklearn unshing
- 与Jupyter笔记本电脑的固定兼容性>；=5.0.0。
- 修正了eli5.解释套索回归的权重 功能，无截获。
- 修复了Python2.x中的清除支持。
- 文档和测试改进。
0.5（2017-04-27）
- lightgbm 支持： eli5.解释预测 和 eli5.解释权重现在支持 lgbmclassifier 和 lgbmregressor （请参见eli5 lightgbm支持库lightgbm>；）。
- 如果所有权重都为零，则固定文本格式；
- 类型检查现在使用最新的mypy；
- 测试安装改进：travis ci现在使用ubuntu 14.04。
0.4.2（2017-03-03）
- 错误修复：如果xgboost可用，eli5应该仍然是可导入的，但是 未正确安装。
0.4.1（2017-01-25）
- 特征贡献计算固定 对于eli5.xgboost.explain_预测xgboost
0.4（2017-01-20）
- eli5.explain_prediction ：新的"top_targets"参数允许 只显示得分最高或最低的预测；
- eli5.解释权重 允许自定义功能重要性的方式 使用 重要性类型计算xgbclassifier和xgbregressor 参数（有关 eli5 xgboost支持<；library xgboost>； ）；
- eli5.解释权重使用xgbclassifier和xgbregressor的增益 默认情况下，特性很重要；此方法更好地指示 正在发生什么，它使结果与功能重要性更兼容 为SCIKIT学习渐变增强方法显示。
0.3.1（2017-01-16）
- 打包修复：scikit learn被添加到setup.py中的install_requires中。
0.3（2017-01-13）
- eli5.解释预测 适用于xgbclassifier、xgbregressor 从XGBoost和ExtraTreesClassifier，ExtraTreesRegressor， GradientBoostingClassifier、GradientBoostingRegressor， 随机森林分类器，随机森林回归器，决策树分类器 以及来自Scikit Learn的DecisionTreeRegressor。 解释方法基于 http://blog.datadive.net/interpreding random forests/
- eli5.explain_weights 现在支持来自 剪子学习：决策者，决策者， GradientBoostingRegressor、RandomForestRegressor和ExtraTreesRegressor。
- eli5.解释加权 适用于xgbregressor；
- 新的 textExplainer<；lime tutorial>； 类允许解释预测 黑盒文本分类管道使用石灰算法； 在 eli5.lime<；eli5 lime>； 中有许多改进
- 更好地支持 eli5.解释预测
- 渲染性能得到改善；
- 当特征 重要性表被截断；
- 功能重要性表的样式设置是固定的；
- eli5.解释权重 和 eli5.解释预测 支持 更多的线性估计器从scikit学习：huberregressor，larscv，lassocv， 套索，套索，套索，正交匹配追踪， 正交匹配追踪，被动回归， 脊分类器，脊分类器，轮廓回归器。
- 更改了基于文本的决策树格式：对于二进制 分类树只打印"真"类的概率， 不是像以前那样两种可能性都有。
- eli5.解释权重 除此之外还支持功能过滤器 为过滤功能和eli5解释预测功能。 现在也支持这两个参数；
- 在的输出中将"weight"列重命名为"contribution" eli5.解释预测
- 新的格式化程序参数允许显示 输入功能值；
- 修复了Analyzer在 文本.
0.2（2016-12-03）
- xgbclassifier支持（来自xgboost 套餐）；
- eli5.解释权重支持sklearn onevsrestclassifier；
- 特征重要性的标准偏差不再打印为零 如果不可用。
0.1.1（2016-11-25）
-
包装袋ng修复：需要attrs>；16.0.0，修复自述文件渲染
0.1（2016-11-24）
- HTML输出；
- IPython集成；
- json输出；
- scikit学习文本矢量器的可视化；
- sklearn-crfsuite 支持；
- 闪电 支持；
- eli5.显示权重 和 eli5.显示预测 函数；
- eli5.解释权重 和 eli5.解释预测 函数；
- eli5.lime<；eli5 lime>； 改进：非文本数据的采样器， 错误修复，文档；
- 回归任务支持hashingvectorizer；
- 性能改进-功能名称很懒；
- sklearn elasticnetcv和ridgecv支持；
- 现在可以自定义格式化输出-显示/隐藏节， 更改布局；
- sklearn onevsrestclassifier支持；
- sklearn decisiontreeclassifier可视化（基于文本或基于svg）；
- 不再支持scikit learn<；0.18；
- 基本mypy类型注释；
- feature\u re 参数只允许显示功能的子集；
- 目标名称 参数允许更改目标/类的显示名称；
- targets 参数允许显示目标/类的子集 更改显示顺序；
- 文档，更多示例。
0.0.6（2016-10-12）
- eli5.sklearn.invertablehashingvectorizer中的候选功能 按频率排序，第一个候选始终为正。
0.0.5（2016-09-27）
- explain_prediction；中的hashingvectorizer支持
- 添加一个选项来传递系数缩放数组；它很有用 如果要比较缩放或符号特征的系数 输入不同；
- 错误修复：eli5函数不再更改分类器权重。
0.0.4（2016-09-24）
- eli5.sklearn.invertablehashingvectorizer和 eli5.sklearn.featureunhasher允许恢复 使用hashingvectorizer或featurehasher的管道；
- 增加了对scikit学习线性回归模型（elasticnet， 拉尔斯、套索、线划、线划、里奇、斯格德雷格森）；
- doc和vec参数在explain_prediction函数中交换； 如果示例已经矢量化，现在可以省略vec；
- 修正了密集特征向量的问题；
- 所有类名称参数都重命名为目标名称；
- SCIKIT学习集成估计器的功能名称猜测是固定的；
- 测试改进。
0.0.3（2016-09-21）
- 使用石灰支持任何黑盒分类器（ http://arxiv.org/abs/1602.04938 ） 算法；内置文本数据支持；
- sklearn.explain_prediction的"矢量化"参数；它允许传递 已矢量化的示例；
- 允许显式传递功能名称；
- 使用自动生成的方法支持没有get-feature-names方法的分类器 功能名称。
0.0.2（2016-09-19）
- 解释预测的"top"参数 可以是元组（num_正，num_负）；
- 默认情况下不再打印分类器名称；
- 添加eli5.sklearn.explain_prediction以解释单个示例；
- 修正了numpy警告。
0.0.1（2016-09-15）
预发布。
欢迎加入QQ群-->： 979659372
