APLRClassifier

算法描述链接：自动分段线性回归

以下 API 参考说明了 InterpretML 中轻量级包装器添加的方法。其余成员和方法的 API 参考可在此处找到：here。

class interpret.glassbox.APLRClassifier(**kwargs)

初始化类。

参数:

**kwargs – 初始化时传递给 APLRClassifier 的 kwargs。

explain_global(name=None)

提供模型的全局解释。

参数:

name – 用户定义的解释名称。

返回:

一个解释对象，将特征-值对可视化为水平条形图。

explain_local(X, y=None, name=None)

为提供的实例提供局部解释。

参数:

• X – 用于解释的 X 的 Numpy 数组。

• y – 用于解释的 y 的 Numpy 向量。

• name – 用户定义的解释名称。

返回:

一个解释对象，将每个实例的特征-值对可视化为水平条形图。

score(X, y, sample_weight=None)

返回给定测试数据和标签的平均准确度。

在多标签分类中，这是子集准确度，这是一个严格的指标，因为它要求每个样本的每个标签集都必须正确预测。

参数:

• X (形状类似数组 (n_samples, n_features)) – 测试样本。

• y (形状类似数组 (n_samples,) 或 (n_samples, n_outputs)) – X 的真实标签。

• sample_weight (形状类似数组 (n_samples,), 默认值=None) – 样本权重。

返回:

score – self.predict(X) 相对于 y 的平均准确度。

返回类型:

float