我正在尝试调查/证明针对财务问题的随机森林回归模型的输出，其中输出的合理性也很重要。在这种情况下，对于我构建的随机森林回归模型，我使用树解释器来使用贡献来证明输出的合理性。但是还有其他方法可以让我做得更好吗？这是最好的方法吗？
这个想法是能够向有技术点支持的外行解释随机森林回归模型的输出。
我们如何确定 ML 模型学到了什么？
数据挖掘
机器学习
回归
随机森林
2022-03-05 16:57:27
1个回答
夏普价值观是你的朋友。
model = RandomForestRegressor(max_depth=6, random_state=0, n_estimators=10)
model.fit(X_train, Y_train)
import shap
shap_values = shap.TreeExplainer(model).shap_values(X_train)
shap.summary_plot(shap_values, X_train, plot_type="bar")
还有其他几种技术有其自身的缺点。有些是：
- 排列重要性
- 部分依赖图
- 酸橙
- 全局代理模型等。您可以添加到此列表中。
其它你可能感兴趣的问题