模型可解释性方法--lime
与模型无关的局部可解释性方法(LIME) 在机器学习模型事后局部可解释性研究中，一种代表性方法是由Marco Tulio Ribeiro等人提出的Local Interpretable Model-Agnostic Explanation(LIME)。 一般地，对于每一个输入实例，LIME ...
原文：使用LIME解释黑盒ML模型
作者 Travis Tang Voon Hao 编译 VK 来源 Towards Data Science 在这一点上，任何人都认为机器学习在医学领域的潜力是老生常谈的。有太多的例子支持这一说法 其中之一就是微软利用医学影像数据帮助临床医生和放射科医生做出准确的癌症诊断。同时，先进的人工智能算法的发展大大提高了此类诊断的准确性。毫无疑问，医疗数据如此惊人的应用，人们有充分的理由对其益处感到兴奋。 ...
2020-11-04 22:43 0 430 推荐指数：
相关推荐
机器学习模型解释工具-Lime
本篇文章转载于LIME：一种解释机器学习模型的方法 该文章介绍了一种模型对单个样本解释分类结果的方法，区别于对整体测试样本的评价指标准确率、召回率等，Lime为具体某个样本的分类结果做出解释，直观地表明该模型为何做出如此预测。 动机：我们为什么要理解预测结果？ 机器学习 ...
复杂模型可解释性方法——LIME
一、模型可解释性 近年来，机器学习（深度学习）取得了一系列骄人战绩，但是其模型的深度和复杂度远远超出了人类理解的范畴，或者称之为黑盒（机器是否同样不能理解？），当一个机器学习模型泛化性能很好时，我们可以通过交叉验证验证其准确性，并将其应用在生产环境中，但是很难去解释这个模型为什么会做 ...
[ML] Tensorflow2 保存完整模型以及使用 HDF5
将模型保存为完整的 HDF5 文件，后面可以直接加载使用： 重新创建完全相同的模型，包括其权重和优化程序： Ref：https://tensorflow.google.cn/tutorials/distribute/save_and_load ...
ML-Agent：通过TF#使用训练完成的模型数据
（本文来自：http://www.cnblogs.com/CodeGize http://www.codegize.com） 安装TF# TF#，即Tensorflow Sharp是Tensor ...
ML-Agent：通过TF#使用训练完成的模型数据
（本文来自：http://www.cnblogs.com/CodeGize http://www.codegize.com）只用于学习与知识分享！ 安装TF# TF#，即Tensorflow S ...
使用ML.NET实现基于RFM模型的客户价值分析
RFM模型 在众多的客户价值分析模型中，RFM模型是被广泛应用的，尤其在零售和企业服务领域堪称经典的分类手段。它的核心定义从基本的交易数据中来，借助恰当的聚类算法，反映出对客户较为直观的分类指示，对于没有数据分析和机器学习技术支撑的初创企业，它是简单易上手的客户分析途径之一。 RFM ...