AI explicabilă: 10 biblioteci Python pentru demistificarea deciziilor modelului dvs.

Imagine de autor
 

XAI este inteligența artificială care permite oamenilor să înțeleagă rezultatele și procesele de luare a deciziilor ale modelului sau sistemului.

Explicabilitatea pre-modelării

IA explicabilă începe cu date explicabile și inginerie clară și interpretabilă a caracteristicilor.

Explicabilitatea modelării

 
Atunci când alegeți un model pentru o anumită problemă, este, în general, cel mai bine să utilizați modelul cel mai interpretabil, care încă obține rezultate predictive bune.

Explicabilitate post-model

 
Aceasta include tehnici precum perturbarea, în care efectul modificării unei singure variabile asupra rezultatului modelului este analizat, cum ar fi valorile SHAP pentru după antrenament.

 
Am găsit aceste 10 biblioteci Python pentru explicabilitatea AI:

SHAP (explicații despre aditivi Shapley)

 
SHAP este un model agnostic și funcționează prin defalcarea contribuției fiecărei caracteristici și atribuirea unui scor fiecărei caracteristici.

LIME (Explicații agnostice de model interpretabil local)

 
LIME este o altă metodă agnostică a modelului care funcționează prin aproximarea comportamentului modelului la nivel local în jurul unei anumite predicții.

ELi5

 
Eli5 este o bibliotecă pentru depanarea și explicarea clasificatorilor. Oferă scoruri de importanță a caracteristicilor, precum și „coduri de motiv” pentru scikit-learn, Keras, xgboost, LightGBM, CatBoost.

Shapash

 
Shapash este o bibliotecă Python care își propune să facă învățarea automată interpretabilă și ușor de înțeles pentru toată lumea. Shapash oferă mai multe tipuri de vizualizare cu etichete explicite.

ancorele

 
Ancore este o metodă de generare a regulilor interpretabile de către om care poate fi folosită pentru a explica predicțiile unui model de învățare automată.

XAI (AI explicabil)

 
XAI este o bibliotecă pentru explicarea și vizualizarea predicțiilor modelelor de învățare automată, inclusiv scorurile de importanță a caracteristicilor.

Dărâma

 
BreakDown este un instrument care poate fi folosit pentru a explica predicțiile modelelor liniare. Funcționează prin descompunerea rezultatului modelului în contribuția fiecărei caracteristici de intrare.

interpreta-text

 
interpret-text este o bibliotecă pentru explicarea predicțiilor modelelor de procesare a limbajului natural.

iml (învățare automată interpretabilă)

 
iml conține în prezent interfața și codul IO din proiectul Shap și, potențial, va face același lucru pentru proiectul Lime.

aix360 (AI Explainability 360)

 
aix360 include un set cuprinzător de algoritmi care acoperă dimensiuni diferite

OmniXAI

 
OmniXAI (prescurtarea de la Omni eXplainable AI), abordează mai multe probleme legate de interpretarea judecăților produse de modelele de învățare automată în practică.

 
Am uitat vreo bibliotecă?

 
Surse

 
Maryam Miradi este lider în IA și știința datelor cu un doctorat în învățare automată și învățare profundă, specializat în NLP și viziune pe computer. Ea are peste 15 ani de experiență în crearea de soluții AI de succes, cu un istoric de livrare a peste 40 de proiecte de succes. Ea a lucrat pentru 12 organizații diferite dintr-o varietate de industrii, inclusiv Detectarea criminalității financiare, energie, servicii bancare, retail, comerț electronic și guvern.
 
 

• Distribuție de conținut bazat pe SEO și PR. Amplifică-te astăzi.
• Platoblockchain. Web3 Metaverse Intelligence. Cunoștințe amplificate. Accesați Aici.
• Sursa: https://www.kdnuggets.com/2023/01/explainable-ai-10-python-libraries-demystifying-decisions.html?utm_source=rss&utm_medium=rss&utm_campaign=explainable-ai-10-python-libraries-for-demystifying-your-models-decisions