颜色分类leetcode-melime:机器学习模型有意义的局部解释

颜色分类leetcode MeLIME - 机器学习模型有意义的本地解释 在这个项目中，我们引入了改进局部解释的策略，同时考虑到用于训练黑盒模型的数据（在流形上）的分布。 与其他技术相比，MeLIME 在不同 ML 模型上产生更有意义的解释，对各种类型的数据进行操作。 MeLIME 概括了 LIME() 方法，允许更灵活的扰动采样和使用不同的局部可解释模型。 此外，我们对本地可解释模型的标准训练算法进行了修改，以促进更可靠的解释，甚至允许生成反事实示例。 该论文的预印本可在 MeLIME 功能 MeLIME 可以应用于任何 ML 模型。 您可以使用不同的本地可解释模型生成解释： 线性模型； 决策树; 基本统计测量。 您也可以轻松实现自己的。 要为您的 ML 模型创建有意义的特征空间，可以使用四种策略： KDEGen：核密度估计器（KDE）； KDEPACGen：带有 PCA 转换的 KDE； VAEGen：变分自动编码器； Word2VecGen：其中 word2vec 用于表示标记。 同样，您也可以实现您的生成器。 如何使用python虚拟环境安装 git clone https:/