Effector：用于区域解释的Python包
机器学习
2025-11-14 v2
摘要
Effector是一个用于解释基于表格数据训练的机器学习（ML）模型的Python包，通过全局和区域特征效应进行解释。全局效应，如部分依赖图（PDP）和累积局部效应（ALE），因其简单性而被广泛用于解释表格ML模型——每个特征对预测的平均影响通过单个一维图总结。然而，当特征相互作用时，全局效应可能具有误导性。区域效应通过将输入空间划分为不相交的子区域（每个子区域内相互作用最小）并为每个子空间计算单独的区域效应来解决这个问题。然后通过每个特征的一组一维图可视化区域效应。Effector在统一API下提供了最先进的全局和区域特征效应方法的高效实现。该包与主流ML库（如scikit-learn和PyTorch）无缝集成。它设计为模块化和可扩展，并附带全面的文档和教程。Effector是一个开源项目，公开在Github上：https://github.com/givasile/effector。
引用
@article{arxiv.2404.02629,
title = {Effector: A Python package for regional explanations},
author = {Vasilis Gkolemis and Christos Diou and Dimitris Kyriakopoulos and Konstantinos Tsopelas and Julia Herbinger and Hubert Baniecki and Dimitrios Rontogiannis and Loukas Kavouras and Maximilian Muschalik and Theodore Dalamagas and Eirini Ntoutsi and Bernd Bischl and Giuseppe Casalicchio},
journal= {arXiv preprint arXiv:2404.02629},
year = {2025}
}
备注
11 pages, 5 figures