可解释机器学习的规则集覆盖算法
wittgenstein的Python项目详细描述
维特根斯坦
我们是否也有这样的情况，即我们玩游戏，并在游戏过程中制定规则？ 这个包实现了两个基于迭代覆盖率的规则集算法：irep和ripperk。 性能类似于sklearn的decisiontree cart实现（参见Performance Tests）。 有关算法的解释，请参阅我在中的文章《面向数据科学》，或在Useful References下面的论文。 要安装，请使用 要卸载，请使用 用法语法与sklearn类似。但是，当前版本确实要求将数据作为pandas数据帧传入。 一旦你加载并拆分了你的数据… 我们可以使用ripper或irep来拟合规则集分类器。 使用规则集属性访问底层训练模型。规则集是连词的析取--“v”表示“或”；“^”表示“和”。 换句话说，如果任何内部嵌套条件组合都为真，则模型将预测正类： 为我们的Fit模型评分： 默认的评分标准是准确性。您可以传入其他评分功能，包括通过sklearn提供的功能： 执行预测： 我们也可以让我们的模型告诉我们为什么它会做出每一个积极的预测： 如果你遇到任何问题，或者你有关于如何使维特根斯坦对你更有帮助的反馈或改进请求，请将它们发布到issues，我会做出回应。 欢迎投稿！如果你有兴趣投稿，请在ilan.moscovitz@gmail.com或linkedin通知我。 欢迎加入QQ群-->： 979659372
-维特根斯坦
摘要
安装
$ pip install wittgenstein
$ pip uninstall wittgenstein
要求
用法
>>>importpandasaspd>>>df=pd.read_csv(dataset_filename)>>>fromsklearn.model_selectionimporttrain_test_split# Or any other mechanism you want to use for data partitioning>>>train,test=train_test_split(df,test_size=.33)
>>>importwittgensteinaslw>>>ripper_clf=lw.RIPPER()# Or irep_clf = lw.IREP() to build a model using IREP>>>ripper_clf.fit(train,class_feat='Party')# Or call .fit with params train_X, train_y>>>ripper_clf<RIPPERobjectwithfitruleset(k=2,prune_size=0.33,dl_allowance=64)># Hyperparameter details available in the docstrings and TDS article below
>>>ripper_clf.ruleset_<Rulesetobject:[physician-fee-freeze=n]V[synfuels-corporation-cutback=y^adoption-of-the-budget-resolution=y^anti-satellite-test-ban=n]>
>>>test_X=test.drop(class_feat,axis=1)>>>test_y=test[class_feat]>>>ripper_clf.score(test_X,test_y)0.9985686906328078
fromsklearn.metricsimportprecision_score,recall_score>>>precision=clf.score(X_test,y_test,precision_score)>>>recall=clf.score(X_test,y_test,recall_score)>>>print(f'precision: {precision} recall: {recall})precision:0.9914...,recall:0.9953...
>>>ripper_clf.predict(new_data)[:5][True,True,False,True,False]
>>>ripper_clf.predict(new_data)[:5]([True,True,False,True,True][<Ruleobject:[physician-fee-freeze=n]>],[<Ruleobject:[physician-fee-freeze=n]>,<Ruleobject:[synfuels-corporation-cutback=y^adoption-of-the-budget-resolution=y^anti-satellite-test-ban=n]>],# This example met multiple sufficient conditions for a positive prediction[],[<Ruleobject:[physician-fee-freeze=n]>],[])
问题
贡献
有用的参考资料
推荐PyPI第三方库
