eli5 0.13.0

0.13.0 (2022-05-11)

• 删除对 python2.7 的支持

• 修复了与新 xgboost 兼容的未命名特征

0.12.0 (2022-05-11)

• 使用 Jinja2 >= 3.0.0，如果您希望使用较旧的 Jinja2 版本，请使用 eli5 0.11

• 支持 lightgbm.Booster

0.11.0 (2021-01-23)

• 修复了 scikit-learn 0.22+ 和 0.24+ 的支持。

• 允许排列重要性中的 nan 输入（如果模型支持它们）。

• 修复了具有样本权重和交叉验证的排列重要性。

• 文档修复（拼写错误、keras 和 TF 版本已明确）。

• 不要使用已弃用的 getargspec 函数。

• 更少的类型忽略，mypy 更新到 0.750。

• 在 GI 上测试了 python 3.8 和 3.9，不再测试 python 3.4。

• 将测试移动到 github actions。

0.10.1 (2019-08-29)

• 不要包含 Python 3.5+ 的类型依赖关系以修复 Python 3.7 的安装。

0.10.0 (2019-08-21)

• Keras 图像分类器：使用 Grad-CAM 解释预测（由 @teabolt 执行的 GSoC-2019 项目）。

0.9.0 (2019-07-05)

• CatBoost 支持：显示 CatBoostClassifier、CatBoostRegressor 和 catboost.CatBoost 的特征重要性。

• 测试修复：修复了 scikit-learn 0.21+ 的修复，使用基于 xenial 的 Travis。

• 捕获不正确安装的 LightGBM 的异常。

0.8.2 (2019-04-04)

• 修复了 scikit-learn 0.21+ 的支持（随机线性模型已从 scikit-learn 中删除）；

• 修复了 PermutationImportance 的 pandas.DataFrame + xgboost 支持；

• 修复了与最近版 numpy 的测试。

• 添加了 conda 安装说明（conda 软件包由社区维护）；

• 教程已更新以使用 xgboost 0.81；

• 更新文档以使用 pandoc 2.x。

0.8.1 (2018-11-19)

• 修复了 Python 3.7 的支持；

• 添加了对 XGBoost > 0.6a2 的支持；

• 修复了 numpy >= 1.14 中的弃用警告；

• 文档、类型注释和测试改进。

0.8 (2017-08-25)

• 不向后兼容：带有解释的 DataFrame 对象不再使用索引和交叉表，现在只是简单的 DataFrame；

• 添加了用于检查黑盒模型的新方法（eli5-permutation-importance）；

• 为 sklearn 的 MinMaxScaler、StandardScaler、MaxAbsScaler 和 RobustScaler 实现了 transfor_feature_names；

• 不再隐藏零和负特征重要性；

• 修复了与 scikit-learn 0.19 的兼容性；

• 修复了与 LightGBM master（2.0.5 和 2.0.6 仍不支持 - LightGBM 中存在错误）的兼容性；

• 文档、测试和类型注释改进。

0.7 (2017-07-03)

• 更好的 pandas.DataFrame 集成：eli5.explain_weights_df、eli5.explain_weights_dfs、eli5.explain_prediction_df、eli5.explain_prediction_dfs、eli5.format_as_dataframe <eli5.formatters.as_dataframe.format_as_dataframe> 和 eli5.format_as_dataframes <eli5.formatters.as_dataframe.format_as_dataframes> 函数允许将解释导出到 pandas.DataFrames。

• 《eli5.explain_prediction》现在显示二元分类器的预测类别（之前总是显示正类别）；

• 《eli5.explain_prediction》现在支持二元分类器的targets=[<类别>]；例如，要显示负类别的结果，可以使用eli5.explain_prediction(..., targets=[False])；

• 支持《eli5.explain_prediction》和《eli5.explain_weights》对基于libsvm的线性估计器（来自sklearn.svm的：SVC(kernel='linear')（仅二元分类），NuSVC(kernel='linear')（仅二元分类），SVR(kernel='linear')，NuSVR(kernel='linear')，OneClassSVM(kernel='linear')）；

• 修复了在Python 2中对LightGBM估计器（当importance_type为‘split’或‘weight’时）的eli5.explain_weights；

• 进行改进测试。

0.6.4 (2017-06-22)

• 修复了针对最近版本的LightGBM的《eli5.explain_prediction》；

• 修复了formatters.html中的Python 3弃用警告；

• 进行改进测试。

0.6.3 (2017-06-02)

• 《eli5.explain_weights》和《eli5.explain_prediction》现在与xgboost.Booster一起工作，而不仅仅是与sklearn-like API；

• 《eli5.formatters.as_dict.format_as_dict》现在可以作为eli5.format_as_dict使用；

• 测试和文档修复。

0.6.2 (2017-05-17)

• 针对在pandas.DataFrame上训练的XGBoost模型的可读性增强了《eli5.explain_weights》；

• 针对在pandas.DataFrame上训练的LightGBM模型的可读性增强了《eli5.explain_weights》；

• 修复了当特征名称包含点时，针对在pandas.DataFrame上训练的XGBoost模型的《eli5.explain_prediction》的问题；

• 进行改进测试。

0.6.1 (2017-05-10)

• 在《eli5.explain_prediction》中对xgboost、sklearn、LightGBM和lightning的pandas支持更好；

0.6 (2017-05-03)

• 在《eli5.explain_weights》中对scikit-learn Pipeline的支持更好：现在可以直接传递Pipeline对象。目前仅支持基于SelectorMixin的转换器、FeatureUnion以及具有get_feature_names的转换器，但用户可以注册其他转换器；支持转换器的内置列表将在未来扩展。有关更多信息，请参阅sklearn-pipelines；

• 通过FeatureUnion支持了《eli5.sklearn.unhashing.invert_hashing_and_fit》的HashingVectorizer的倒置。请参阅《eli5-unhashing》；

• 修复了与Jupyter Notebook >= 5.0.0的兼容性问题；

• 修复了Lasso回归中只有一个特征且没有截距的《eli5.explain_weights》；

• 修复了在Python 2.x中的unhashing支持；

• 文档和测试改进。

0.5 (2017-04-27)

• 对LightGBM的支持：现在《eli5.explain_prediction》和《eli5.explain_weights》支持LGBMClassifier和LGBMRegressor（请参阅《eli5 LightGBM支持 <library-lightgbm>》）；

• 修复了所有权重为零时的文本格式化问题；

• 类型检查现在使用最新的mypy；

• 测试设置改进：Travis CI现在使用Ubuntu 14.04。

0.4.2 (2017-03-03)

• 修复了bug：如果xgboost可用但未正确安装，eli5应保持可导入；

0.4.1 (2017-01-25)

• 修复了《eli5.xgboost.explain_prediction_xgboost》的特征贡献计算；

0.4 (2017-01-20)

• 《eli5.explain_prediction》：新的‘top_targets’参数允许只显示具有最高或最低得分的预测；

• 《eli5.explain_weights》允许使用importance_type参数自定义XGBClassifier和XGBRegressor的特征重要性计算方式（请参阅《eli5 XGBoost支持 <library-xgboost>》的文档）；

• 《eli5.explain_weights》默认使用增益来计算XGBClassifier和XGBRegressor的特征重要性；这种方法是更好的指示，并且使结果与scikit-learn梯度提升方法的特征重要性显示更兼容；

0.3.1 (2017-01-16)

• 打包修复：在setup.py中添加了scikit-learn到install_requires。

0.3 (2017-01-13)

• eli5.explain_prediction 适用于 XGBoost 的 XGBClassifier 和 XGBRegressor，以及 scikit-learn 中的 ExtraTreesClassifier、ExtraTreesRegressor、GradientBoostingClassifier、GradientBoostingRegressor、RandomForestClassifier、RandomForestRegressor、DecisionTreeClassifier 和 DecisionTreeRegressor。解释方法基于 http://blog.datadive.net/interpreting-random-forests/。

• eli5.explain_weights 现在支持 scikit-learn 的基于树的回归器：DecisionTreeRegressor、AdaBoostRegressor、GradientBoostingRegressor、RandomForestRegressor 和 ExtraTreesRegressor。

• eli5.explain_weights 适用于 XGBRegressor。

• 新增 TextExplainer <lime-tutorial> 类，允许使用 LIME 算法解释黑盒文本分类管道的预测；对 eli5.lime <eli5-lime> 进行了许多改进。

• 在 eli5.explain_prediction 中改进了对 sklearn.pipeline.FeatureUnion 的支持；

• 渲染性能得到提升；

• 当特征重要性表被截断时，会显示一些剩余的特征重要性；

• 修复了特征重要性表的样式；

• eli5.explain_weights 和 eli5.explain_prediction 支持更多的 scikit-learn 线性估计器：HuberRegressor、LarsCV、LassoCV、LassoLars、LassoLarsCV、LassoLarsIC、OrthogonalMatchingPursuit、OrthogonalMatchingPursuitCV、PassiveAggressiveRegressor、RidgeClassifier、RidgeClassifierCV、TheilSenRegressor。

• 决策树文本格式的变化：对于二元分类树，只打印“真实”类的概率，而不是像之前那样打印两个概率。

• eli5.explain_weights 除了 feature_re 以外，还支持 feature_filter 用于过滤特征，而 eli5.explain_prediction 现在也支持这两个参数；

• 在 eli5.explain_prediction 的输出中，将“Weight”列重命名为“Contribution”；

• 新增 show_feature_values=True 格式化参数允许显示输入特征值；

• 修复了 analyzer=’char_wb’ 在文本开头的高亮显示问题；

0.2 (2016-12-03)

• 支持 XGBClassifier（来自 XGBoost 包）；

• eli5.explain_weights 支持 sklearn OneVsRestClassifier；

• 特征重要性的标准差不再在不可用的情况下打印为零。

0.1.1 (2016-11-25)

• 打包修复：要求 attrs > 16.0.0，修复了 README 渲染；

0.1 (2016-11-24)

• HTML 输出；

• IPython 集成；

• JSON 输出；

• 可视化 scikit-learn 文本向量器；

• sklearn-crfsuite 支持；

• lightning 支持；

• eli5.show_weights 和 eli5.show_prediction 函数；

• eli5.explain_weights 和 eli5.explain_prediction 函数；

• eli5.lime <eli5-lime> 改进：支持非文本数据的采样器，修复了错误，文档；

• 支持 HashingVectorizer 进行回归任务；

• 性能改进 - 特征名称是延迟加载的；

• 支持 sklearn ElasticNetCV 和 RidgeCV；

• 现在可以自定义输出格式 - 显示/隐藏部分，更改布局；

• 支持 sklearn OneVsRestClassifier；

• 支持 sklearn DecisionTreeClassifier 可视化（基于文本或 SVG）；

• 停止支持 scikit-learn < 0.18；

• 基本 mypy 类型注解；

• feature_re 参数允许仅显示特征子集；

• target_names 参数允许更改目标/类别的显示名称；

• targets 参数允许显示目标/类别的子集并更改它们的显示顺序；

• 文档，更多示例。

0.0.6 (2016-10-12)

• eli5.sklearn.InvertableHashingVectorizer 中的候选特征按其频率排序，第一个候选始终为正。

0.0.5 (2016-09-27)

• 在 explain_prediction 中支持 HashingVectorizer；

• 添加传递系数缩放数组选项；如果您想比较输入中特征缩放或符号不同的系数，则很有用；

• 修复了错误：分类器的权重不再由 eli5 函数更改。

0.0.4 (2016-09-24)

• eli5.sklearn.InvertableHashingVectorizer 和 eli5.sklearn.FeatureUnhasher 允许恢复使用 HashingVectorizer 或 FeatureHasher 的管道的特征名称；

• 增加了对 scikit-learn 线性回归模型（ElasticNet、Lars、Lasso、LinearRegression、LinearSVR、Ridge、SGDRegressor）的支持；

• 在 explain_prediction 函数中交换了 doc 和 vec 参数；如果示例已经矢量化，则现在可以省略 vec；

• 修复了密集特征向量的问题；

• 将所有 class_names 参数重命名为 target_names；

• 修复了 scikit-learn 集成估计器的特征名称猜测问题；

• 进行改进测试。

0.0.3 (2016-09-21)

• 支持使用 LIME（http://arxiv.org/abs/1602.04938）算法的任何黑盒分类器；文本数据支持是内置的；

• sklearn.explain_prediction 的“vectorized”参数允许传递已经矢量的示例；

• 允许显式传递 feature_names；

• 支持使用自动生成的特征名称的没有 get_feature_names 方法的分类器；

0.0.2 (2016-09-19)

• explain_prediction 的“top”参数可以是元组（num_positive，num_negative）；

• 默认情况下不再打印分类器名称；

• 添加了 eli5.sklearn.explain_prediction 来解释单个示例；

• 修复了 numpy 警告。

0.0.1 (2016-09-15)

预发布版。