跳到主内容
Ctrl
+
K
入门指南
API 参考
interpret.glassbox
可解释增强分类器
可解释增强回归器
APLR 回归器
APLR 分类器
逻辑回归
线性回归
分类树
回归树
合并 EBM
interpret.blackbox
ShapKernel
LimeTabular
偏依赖
Morris 敏感度
interpret.greybox
ShapTree
interpret.perf
回归性能
ROC
PR
interpret.data
类别直方图
边际
interpret.privacy
差分隐私可解释增强分类器
差分隐私可解释增强回归器
interpret.utils
链接函数
逆链接函数
测量交互
净化
interpret.develop
调试模式
显示
显示链接
设置显示地址
获取显示地址
保留
关闭显示服务器
初始化显示服务器
显示服务器状态
设置可视化提供者
获取可视化提供者
算法
玻璃盒模型
可解释增强机
自动分段线性回归 (APLR)
线性模型
决策树
黑盒解释器
Shapley 可加解释
局部可解释模型无关解释
偏依赖图
Morris 敏感度分析
差分隐私模型
差分隐私 EBM
超参数
EBM 内部机制
EBM 内部机制 - 回归
EBM 内部机制 - 二分类
EBM 内部机制 - 多分类
可视化
部署
开发
安装
日志记录与调试
常见问题解答
示例
可解释分类
可解释回归
平滑 EBM
解释黑盒分类器
解释黑盒回归器
合并 EBM
自定义交互
差分隐私
分组重要性
原型选择
.md
.pdf
玻璃盒模型
玻璃盒模型
#
玻璃盒模型的设计旨在实现直接可解释性,这意味着生成的解释是精确且人类可理解的。这与黑盒模型形成对比,黑盒模型的解释通常是近似的。