今天给大家分享一个神奇的 python 库，explainerdashboard。
https://github.com/oegedijk/explainerdashboard
explainerdashboard 是一种用户友好的工具，可以简化复杂的机器学习模型，解释（与 scikit-learn 兼容）机器学习模型的工作原理。
explainerdashboard 提供有关模型性能、特征重要性、特征对个体预测的贡献、“假设”分析、部分依赖图、SHAP（交互）值、个体决策树可视化等的交互式图。
-
透明度：它可以帮助你了解模型的输出。
-
模型改进：用户可以识别并纠正模型中的偏差或错误，从而做出更好的决策。
-
特征重要性：帮助识别影响模型的关键因素，有助于特征选择。
-
用户友好：它们在设计时考虑到非技术利益相关者，使更广泛的受众可以访问复杂的模型。
初体验
库的安装
你可以通过 pip 安装该包。
pip install explainerdashboard
或者通过 conda 安装。
conda install -c conda-forge explainerdashboard
加载数据集
我们使用经典的 「泰坦尼克号」 数据集作为演示。
# pip install explainerdashboard
from sklearn.ensemble import RandomForestClassifier
from explainerdashboard import ClassifierExplainer, ExplainerDashboard
from explainerdashboard.datasets import titanic_survive, feature_descriptions
X_train, y_train, X_test, y_test = titanic_survive()
model = RandomForestClassifier(n_estimators=50, max_depth=5)
model.fit(X_train, y_train)
创建对象
我们将通过解释器创建一个对象，它将帮助我们创建仪表盘。
explainer = ClassifierExplainer(model, X_test, y_test,
cats=['Sex', 'Deck', 'Embarked'],
descriptions=feature_descriptions,
labels=['Not survived', 'Survived'])
最后，我们将运行解释器对象来查看仪表板。
ExplainerDashboard(explainer).run()
我们在上面看到的所有图表和指标都是由 explainerdashboard 自动生成的，并且它也被整齐地分为各个选项卡。
如果要直接在 jupyter notebook 内查看和自定义各个组件或选项卡，你可以使用 InlineExplainer。
from explainerdashboard import InlineExplainer InlineExplainer(explainer).shap.overview()
它可以让用户深入研究他们感兴趣的领域，更改配置并得出结论。
explainerdashboard 在连接复杂的机器学习模型方面发挥着至关重要的作用，并让你对日常决策充满信心。
有关 explainerdashboard 的更多功能，期待你去探索。
题外话
感兴趣的小伙伴，赠送全套Python学习资料，包含面试题、简历资料等具体看下方。
👉CSDN大礼包🎁：全网最全《Python学习资料》免费赠送🆓！（安全链接，放心点击）
一、Python所有方向的学习路线
Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照下面的知识点去找对应的学习资源，保证自己学得较为全面。
二、Python必备开发工具
工具都帮大家整理好了，安装就可直接上手！
三、最新Python学习笔记
当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。
四、Python视频合集
观看全面零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。
五、实战案例
纸上得来终觉浅，要学会跟着视频一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。
六、面试宝典
简历模板
👉CSDN大礼包🎁：全网最全《Python学习资料》免费赠送🆓！（安全链接，放心点击）
若有侵权，请联系删除
