分类树#
算法描述链接：决策树
- class interpret.glassbox.ClassificationTree(feature_names=None, feature_types=None, max_depth=3, **kwargs)#
浅层深度分类树。
初始化为低深度的树。
- 参数:
feature_names – 特征名称列表。
feature_types – 特征类型列表。
max_depth – 树的最大深度。
**kwargs – 传递给树的 __init__() 方法的关键字参数。
- 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。
- fit(X, y, sample_weight=None, check_input=True)#
将模型拟合到提供的实例。
- 参数:
X – 用于训练实例的 Numpy 数组。
y – 作为训练标签的 Numpy 数组。
sample_weight (可选[np.ndarray]) – (n_samples,) 样本权重。如果为 None (默认)，则样本权重相等。在每个节点中搜索分割点时，将忽略那些会导致子节点净权重为零或负数的分割点。
check_input (bool) – default=True. 允许绕过多个输入检查。除非您知道自己在做什么，否则不要使用此参数。
- 返回:
对象本身。
- predict(X)#
对提供的实例进行预测。
- 参数:
X – 用于实例的 Numpy 数组。
- 返回:
每个实例的预测类别标签。
- predict_proba(X)#
对提供的实例进行概率估计。
- 参数:
X – 用于实例的 Numpy 数组。
- 返回:
实例对每个类别的概率估计。
- score(X, y, sample_weight=None)#
返回给定测试数据和标签上的平均准确率。
在多标签分类中，这是子集准确率，这是一个严格的指标，因为它要求对每个样本正确预测每个标签集。
- 参数:
X (形状类似 array (n_samples, n_features)) – 测试样本。
y (形状类似 array (n_samples,) 或 (n_samples, n_outputs)) – X 的真实标签。
sample_weight (形状类似 array (n_samples,), default=None) – 样本权重。
- 返回:
score –
self.predict(X)相对于 y 的平均准确率。- 返回类型:
浮点数