没有合适的资源?快使用搜索试试~ 我知道了~
interpretable_machine_learning_with_python:训练可解释的ML模型,解释ML模型以及调试...
共23个文件
png:8个
ipynb:8个
py:1个
需积分: 16 11 下载量 141 浏览量
2021-05-22
17:38:21
上传
评论
收藏 10.74MB ZIP 举报
温馨提示
使用Python负责任的机器学习 训练可解释机器学习(ML)模型,解释ML模型以及调试ML模型的准确性,辨别力和安全性的技术示例。 概述 随着越来越多的经济体接受自动化和数据驱动的决策,使用人工智能(AI)和ML模型可能会变得越来越普遍。 尽管这些预测系统可能非常准确,但它们常常是难以理解且不受欢迎的黑匣子,它们仅产生数字预测,而没有附带的解释。 不幸的是,最近的研究和最近的事件引起了人们对脆弱的AI和ML系统中数学和社会学缺陷的关注,但是从业人员通常没有正确的工具来撬开ML模型并对其进行调试。 本系列笔记本介绍了几种方法,这些方法可以提高ML模型的透明度,责任感和可信赖性。 如果您是数据科学家或分析师,并且想要训练准确,可解释的ML模型,向您的客户或经理解释ML模型,测试这些模型的安全漏洞或社会歧视,或者您担心文档,验证或法规方面的问题要求,那么本系列Jupyter笔记本非常适合您! (
资源推荐
资源详情
资源评论
收起资源包目录
interpretable_machine_learning_with_python-master.zip (23个子文件)
interpretable_machine_learning_with_python-master
.gitignore 96B
readme_pics
pdp_ice.png 986KB
lime.png 29KB
resid2.png 48KB
resid.png 971KB
dt_surrogate.png 791KB
sa.png 270KB
dia.png 107KB
hist_pd_ice_lo.png 1.17MB
requirements.txt 292B
dt_surrogate_loco.ipynb 367KB
debugging_sens_analysis_redux.ipynb 1.46MB
auto_ph.py 28KB
resid_sens_analysis.ipynb 313KB
README.md 20KB
lime.ipynb 153KB
anaconda_py36_h2o_xgboost_graphviz_shap
Dockerfile 2KB
shap_error_values.csv 5.09MB
glm_mgbm_gbm.ipynb 4.77MB
debugging_resid_analysis_redux.ipynb 1.05MB
dia.ipynb 295KB
xgboost_pdp_ice.ipynb 325KB
default_of_credit_card_clients.xls 5.28MB
共 23 条
- 1
资源评论
佳同学
- 粉丝: 28
- 资源: 4583
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功