Библиотека imodels для интерпретируемого ML: методы и примеры

Еще одна интересная библиотека. В этот раз со всякими интерпретируемыми ML моделями.

imodels - sklearn-style библиотека с целым зоопарком методов интерпетируемого ML (авторы обещают там SoTA методы). Набор методов выглядит внушительно (но надо бы поковыряться).

Выглядит полезным тем, кто хочет поизвлекать правила из моделек или попробовать что-то более или менее современное из интерпретируемого ML.

Пример кода для одного из методов (а на картинке визуализация метода)

from sklearn.model_selection import train_test_split

from imodels import get_clean_dataset, HSTreeClassifierCV # import any imodels model here

# prepare data (a sample clinical dataset)

X, y, feature_names = get_clean_dataset('csi_pecarn_pred')

X_train, X_test, y_train, y_test = train_test_split(

X, y, random_state=42)

# fit the model

model = HSTreeClassifierCV(max_leaf_nodes=4) # initialize a tree model and specify only 4 leaf nodes

model.fit(X_train, y_train, feature_names=feature_names) # fit model

preds = model.predict(X_test) # discrete predictions: shape is (n_test, 1)

preds_proba = model.predict_proba(X_test) # predicted probabilities: shape is (n_test, n_classes)

print(model) # print the model

Подписывайтесь на Telegram Product Science by Anton Martsen.