InterpretML：机器学习可解释性的统一框架
机器学习
2019-09-23 v1 机器学习
摘要
InterpretML是一个开源Python软件包，为实践者和研究人员提供机器学习可解释性算法。InterpretML提供两类可解释性——玻璃盒模型，即专为可解释性设计的机器学习模型（例如：线性模型、规则列表、广义加性模型），以及用于解释现有系统的黑盒解释技术（例如：部分依赖、LIME）。该软件包通过在统一API下暴露多种方法，并内置可扩展的可视化平台，使实践者能够轻松比较可解释性算法。InterpretML还包含了可解释提升机（Explainable Boosting Machine）的首个实现，这是一种强大、可解释的玻璃盒模型，其准确性可与许多黑盒模型媲美。采用MIT许可的源代码可从github.com/microsoft/interpret下载。
引用
@article{arxiv.1909.09223,
title = {InterpretML: A Unified Framework for Machine Learning Interpretability},
author = {Harsha Nori and Samuel Jenkins and Paul Koch and Rich Caruana},
journal= {arXiv preprint arXiv:1909.09223},
year = {2019}
}