Part1：可解释的机器学习-XAI – eXplainable Artificial Intelligence

Jamesjin63

发布于 2022-11-03 14:54:39

4810

发布于 2022-11-03 14:54:39

文章被收录于专栏：EpiHubEpiHub

[toc]

## Part1：可解释的机器学习-XAI – eXplainable Artificial Intelligence

DALEX是一个R包，用于机器学习的可视化解释、探索、模型调试和模型预测(又名XAI -可解释的人工智能)。它为预测模型的不同方面提供了大量的可视化解释。在构建机器学习时候非常有用。目前还没有过多应用于医学领域；在这篇文章中，我们将在R中实现可解释人工智能的算法。在这里可以找到对全局和局部模型评估方法的介绍。

image.png

本文主要介绍：

为什么要使用XAI
代码实现

1.为什么要使用XAI

目前，人工智能算法非常流行，通过快速调用机器学习包，完成模型预测目的，这些复杂的算法，也称之为黑盒模型。由于机器学习算法的灵活性与复杂性，它们通常可发现变量之间的复杂关系，学习出特定规律，让预测变得更加准确。因此，在达到精确预测的同时，机器学习模型也损失了对现实的课解释性。

当我们选择复杂而又有弹性的模型时，往往需要了解模型中哪些变量做了决策，目前已有人正在开发相关算法和工具来我们理解模型是如何工作的。而可解释人工智能（XAI）就是用来解释或探索复杂的模型。

2.代码实现

以apartments数据集为例，(From Warsaw，在R和Python的DALEX包均可调用)。数据集描述了1000个公寓的六个变量，如面积，地板，房间数,建设年代，每平方米均价，所处位置地区。我们将创建一个预测公寓价格的模型，就从——随机森林（回归黑盒模型）开始。

Python实现

#library
import dalex as dx
import pandas as pd
import numpy as np
from sklearn.ensemble import RandomForestRegressor

#apartments dataset from DALEX
#data have 5 numerical variables and 1 categorical variables
data = dx.datasets.load_apartments()
data.head()

#we use one-hot encoding for district variable - get_dummies function from pandas
data = pd.get_dummies(data)
X = data.drop(columns='m2_price')
y = data.m2_price

#we created a random forest model using scikit-learn library
regr = RandomForestRegressor(max_depth=2, random_state=0)
regr.fit(X, y)

#we created an explainer with dalex package
exp = dx.Explainer(regr, X, y)

R-实现

#library
library(DALEX)

#apartments dataset from DALEX
#data have 5 numerical variables and 1 factor
head(apartments)

#we use one-hot encoding for district variable - one_hot() function from mltools
data <- mltools::one_hot(data.table::data.table(apartments))

#we created a random forest model using ranger library
library(ranger)
model <- ranger(m2.price~., data = data)

#we created an explainer with DALEX package
explainer <- explain(model, data = data, y = data$m2.price)

接下来的部分，会继续对XAI的可解释机器学习进行补充介绍：