R语言学习：modelStudio，模型解释性分析
2022年第08周。
R语言学习，这一周记录如下。
本周学习一个用于模型解释性分析的包——modelStudio。
01
模型解释性分析包modelStudio
modelStudio包采用交互式对模型做解释性分析。
它提供4种重要的模型解释性可视化。
-
1: Feature Importance
-
2: Break Down Plot
-
3: Shapley Values
-
4: Partial Dependence
包modelStudio的测试案例如下。
第一步：加载所需R包
library(modelStudio)
library(DALEX)
library(tidyverse)
library(tidymodels)
第二步：数据准备和加载
使用ggplot2包的mpg数据集。
glimpse(mpg)
data_tbl <- mpg %>%
select(hwy, manufacturer:drv, fl, class)
data_tbl
第三步：模型构建
使用tidymodels做流程化模型构建，包括如下步骤：
-
1 选择模型类型，这里采用树模型
-
2 配置任务模式，这是一个回归任务，目标变量是数值型
-
3 设置工作引擎，使用xgboost算法
-
4 拟合模型
fit_xgboost <- boost_tree(learn_rate = 0.3) %>%
set_mode("regression") %>%
set_engine("xgboost") %>%
fit(hwy ~ ., data = data_tbl)
fit_xgboost
第四步：创建解释器
使用DALEX包。
explainer <- DALEX::explain(
model = fit_xgboost,
data = data_tbl,
y = data_tbl$hwy,
label = "XGBoost"
)
第五步：模型解释性分析
使用modelStudio包。
modelStudio::modelStudio(explainer = explainer)
执行成功，结果如下。
这些图形的结果，如何解释？
点击图形右上角的D按钮，可以查阅这幅图的解释信息；点击x按钮，可以从里面选择需要查阅的其它图形，例如EDA的图形。
以特征重要性图形为例，描述结果如下。
应用拓展：
1 对于自己的模型需要做解释性分析，可以参照上面的步骤，从多个角度对模型的解释性做洞察。
2 若是想了解每个图形是怎么生成的，建议查阅modelStudio包的源代码，甚至基于源代码做修改，进一步满足自己的需求。
学习材料：
https://www.business-science.io/r/2022/02/22/my-4-most-important-explainable-ai-visualizations-modelstudio.html
我创建了R语言群，你可以添加我微信，备注：姓名-入群，我邀请你加入群，大家一起学习和讨论。
如果你想学习数据科学与人工智能，请关注下方公众号~
2021年R语言学习专辑：
请关注“恒诺新知”微信公众号，感谢“R语言“，”数据那些事儿“，”老俊俊的生信笔记“，”冷🈚️思“，“珞珈R”，“生信星球”的支持！
你可能也喜欢
R语言学习：重读《R数据科学（中文版）》书籍
经典铁死亡，再出新思路
