해석 가능성

해석 가능한 분류 모델을 훈련시키고 복잡한 분류 모델을 해석하기

선형 모델, 결정 트리, 일반화된 가산 모델처럼 본질적으로 해석 가능한 분류 모델을 사용하거나 아니면 해석 가능성 특징을 사용하여 원래 해석이 불가능한 복잡한 분류 모델을 해석합니다.

분류 모델을 해석하는 방법을 알아보려면 Interpret Machine Learning Models 항목을 참조하십시오.

함수

`lime`	Local interpretable model-agnostic explanations (LIME)
`fit`	Fit simple model of local interpretable model-agnostic explanations (LIME)
`plot`	Plot results of local interpretable model-agnostic explanations (LIME)

`shapley`	Shapley values
`fit`	Compute Shapley values for query point
`plot`	Plot Shapley values

`partialDependence`	Compute partial dependence
`plotPartialDependence`	Create partial dependence plot (PDP) and individual conditional expectation (ICE) plots

`fitcgam`	Fit generalized additive model (GAM) for binary classification
`fitclinear`	Fit binary linear classifier to high-dimensional data
`fitctree`	다중클래스 분류를 위한 이진 결정 트리 피팅

`ClassificationGAM`	Generalized additive model (GAM) for binary classification
`ClassificationLinear`	Linear model for binary classification of high-dimensional data
`ClassificationTree`	Binary decision tree for multiclass classification

Interpret Machine Learning Models
Explain model predictions using the lime and shapley objects and the plotPartialDependence function.
Shapley Values for Machine Learning Model
Compute Shapley values for a machine learning model using interventional algorithm or conditional algorithm.
Introduction to Feature Selection
Learn about feature selection algorithms and explore the functions available for feature selection.
Interpret Classifiers Trained in Classification Learner App
Determine how features are used in trained classifiers by using partial dependence plots.

Train Generalized Additive Model for Binary Classification
Train a generalized additive model (GAM) with optimal parameters, assess predictive performance, and interpret the trained model.
Train Decision Trees Using Classification Learner App
Create and compare classification trees, and export trained models to make predictions for new data.
최근접이웃을 사용한 분류
다양한 거리 측정법을 사용하여 훈련 데이터 세트에 포함된 점까지의 거리를 기준으로 데이터 점을 분류합니다.