黑盒之外的求学:在追求可解释模型的道路上
项目描述
Symbolic Pursuit
2020年NIPS论文“黑盒之外的求学:在追求可解释模型的道路上”的Github
安装
可以使用以下命令从PyPI安装库
$ pip install symbolic_pursuit
或者从源码,使用
$ pip install .
示例用法
要为给定的数据集和给定的模型(或给定的模型类型)构建符号回归器,可以使用以下命令
python3 build_interpreter.py [-h] [--dataset DATASET] [--test_ratio TEST_RATIO]
[--model MODEL] [--model_type MODEL_TYPE]
[--verbosity VERBOSITY] [--loss_tol LOSS_TOL]
[--ratio_tol RATIO_TOL] [--maxiter MAXITER]
[--eps EPS] [--random_seed RANDOM_SEED]
例如,如果想要在wine-quality-red数据集上训练一个MLP,然后使用随机种子27拟合符号回归器,可以使用以下命令
python3 build_interpreter --dataset wine-quality-red --model_type MLP --random_seed 27
有关如何在一般情况下使用该模块的更多详细信息,请参阅附带的3个笔记本。
1. 构建符号回归器 2. Symbolic Pursuit与LIME的比较 3. 使用Symbolic Pursuit的合成实验
:hammer: 测试
使用以下命令安装测试依赖项
pip install .[testing]
可以使用以下命令执行测试
pytest -vsx
参考文献
在我们的实验中,我们使用了 LIME、SHAP 和 pysymbolic 的实现
引用
如果你使用了此代码,请引用相关的论文
@article{https://doi.org/10.48550/arxiv.2011.08596,
doi = {10.48550/ARXIV.2011.08596},
url = {https://arxiv.org/abs/2011.08596},
author = {Crabbé, Jonathan and Zhang, Yao and Zame, William and van der Schaar, Mihaela},
keywords = {Machine Learning (cs.LG), Artificial Intelligence (cs.AI), FOS: Computer and information sciences, FOS: Computer and information sciences},
title = {Learning outside the Black-Box: The pursuit of interpretable models},
publisher = {NeurIPS 2020},
year = {2020},
}
项目详情
下载文件
下载适用于您平台的文件。如果您不确定选择哪个,请了解更多关于 安装包 的信息。
源代码分发
此版本没有可用的源代码分发文件。请参阅 生成分发存档 的教程。
构建分发
symbolic_pursuit-0.0.1-py3-none-any.whl (11.8 kB 查看哈希值)
关闭
哈希值 for symbolic_pursuit-0.0.1-py3-none-macosx_10_14_x86_64.whl
算法 | 哈希摘要 | |
---|---|---|
SHA256 | 1708bd22d9462be82cffaf86fc35cf93e40e7a44ae7103fe6303ece9aaed062d |
|
MD5 | 6046ba7cc9d4b45a8eb4786e7ab87838 |
|
BLAKE2b-256 | 0c5a3c7b91246e5909990423c987ad67d0ead32b4159cbf77f0635d955538c0f |