机构名称：
¥ 2.0
摘要：随着解释机器学习（ML）模型的兴趣越来越多，本文综合了许多与ML解释性相关的主题。我们将解释性与解释性，本地解释性以及功能重要性与功能相关性区分开。我们演示和可视化不同的解释方法，如何解释它们，并提供完整的Python软件包（Scikit-templain），以允许未来的研究人员和模型开发人员探索这些解释能力方法。解释性方法包括Shapley添加性解释（SHAP），Shapley添加剂全球解释（SAGE）和累积的局部效应（ALE）。我们的重点主要放在基于沙普利的技术上，这些技术是增强模型解释性的各种现有方法的统一框架。例如，制造一致的方法，例如可解释的模型 - 不合Snostic解释（lime）和树解释器，用于局部解释性，而鼠尾草则统一了对全球解释性的置换重要性的不同变化。我们提供了一个简短的教程，用于使用三个不同数据集解释ML模型：用于对流的模型数据集用于恶劣天气预测，一个用于子冷冻道路表面预测的幕后数据集，以及用于雷电预测的基于卫星的数据。此外，我们还展示了相关特征对模型的解释性的不利影响。最后，我们演示了评估特征组的模型图案而不是单个特征的概念。评估特征组可减轻特征相关性的影响，并可以对模型提供更全面的理解。本研究中使用的所有代码，模型和数据都可以自由使用，以加速大气和其他环境科学中的机器学习解释性。
大气科学的机器学习解释性教程
主要关键词
相关文件推荐
