Main Content

이 번역 페이지는 최신 내용을 담고 있지 않습니다. 최신 내용을 영문으로 보려면 여기를 클릭하십시오.

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

모두 확장

LIME(Local Interpretable Model-Agnostic Explanations)

limeLocal interpretable model-agnostic explanations (LIME)
fitFit simple model of local interpretable model-agnostic explanations (LIME)
plotPlot results of local interpretable model-agnostic explanations (LIME)

섀플리 값

shapleyShapley values
fitCompute Shapley values for query point
plotPlot Shapley values

부분 종속성

partialDependenceCompute partial dependence
plotPartialDependenceCreate partial dependence plot (PDP) and individual conditional expectation (ICE) plots
fitcgamFit generalized additive model (GAM) for binary classification
fitclinearFit binary linear classifier to high-dimensional data
fitctree다중클래스 분류를 위한 이진 결정 트리 피팅

객체

ClassificationGAMGeneralized additive model (GAM) for binary classification
ClassificationLinearLinear model for binary classification of high-dimensional data
ClassificationTreeBinary decision tree for multiclass classification

도움말 항목

모델 해석

Interpret Machine Learning Models

Explain model predictions using lime, shapley, and plotPartialDependence.

Shapley Values for Machine Learning Model

Compute Shapley values for a machine learning model using two algorithms: kernelSHAP and the extension to kernelSHAP.

Introduction to Feature Selection

Learn about feature selection algorithms and explore the functions available for feature selection.

해석 가능한 모델

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.