ML之interpret：基于titanic泰坦尼克是否获救二分类预测数据集利用interpret实现EBC模型可解释性之全局解释/局部解释案例

ML之interpret：基于titanic泰坦尼克是否获救二分类预测数据集利用interpret实现EBC模型可解释性之全局解释/局部解释案例

目录

基于titanic泰坦尼克是否获救二分类预测数据集利用interpret实现EBC模型可解释性之全局解释/局部解释案例

# 1、定义数据集

# 2、数据预处理

# 2.1、类别特征编码

# 2.2、特征筛选且空值填充

# 3、模型建立与训练

# 3.1、数据集切分

# 3.2、建立EBC模型

# 3.3、基于EBC模型实现模型可解释性

# (1)、整体的可解释性

# (2)、局部的可解释性

---

相关文章
ML之interpret：基于titanic泰坦尼克是否获救二分类预测数据集利用interpret实现EBC模型可解释性之全局解释/局部解释案例
ML之interpret：基于titanic泰坦尼克是否获救二分类预测数据集利用interpret实现EBC模型可解释性之全局解释/局部解释案例实现

基于titanic泰坦尼克是否获救二分类预测数据集利用interpret实现EBC模型可解释性之全局解释/局部解释案例

# 1、定义数据集

PassengerId	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked
1	0	3	Braund, Mr. Owen Harris	male	22	1	0	A/5 21171	7.25		S
2	1	1	Cumings, Mrs. John Bradley (Florence Briggs Thayer)	female	38	1	0	PC 17599	71.2833	C85	C
3	1	3	Heikkinen, Miss. Laina	female	26	0	0	STON/O2. 3101282	7.925		S
4	1	1	Futrelle, Mrs. Jacques Heath (Lily May Peel)	female	35	1	0	113803	53.1	C123	S
5	0	3	Allen, Mr. William Henry	male	35	0	0	373450	8.05		S

# 2、数据预处理

# 2.1、类别特征编码

# 2.2、特征筛选且空值填充

   Pclass   Age  SibSp  Parch     Fare  Sex_encoding  Embarked_encoding  \
0       3  22.0      1      0   7.2500             1                  0   
1       1  38.0      1      0  71.2833             0                  1   
2       3  26.0      0      0   7.9250             0                  0   
3       1  35.0      1      0  53.1000             0                  0   
4       3  35.0      0      0   8.0500             1                  0   

   Survived  
0         0  
1         1  
2         1  
3         1  
4         0  

# 3、模型建立与训练

# 3.1、数据集切分

# 3.2、建立EBC模型

# 3.3、基于EBC模型实现模型可解释性

# (1)、整体的可解释性

Sex_encoding
Pclass
Fare
Age
SibSp
pclass x Sex_encoding
Parch
Embarked_encoding
Age x Fare
Age x SibSp
Parch x Fare
Parch x Sex_encoding
Age x Parch
Pclass x Age
Age x Sex_encoding

 

age，10岁以下，年龄小的，可以增加生存的机会

fare票价越高，越可以增加生存的机会

男性，会降低生存的机会

0港口即Southampton港口，会降低生存的机会

# (2)、局部的可解释性—选择测试样本数据中前5行

前五个样本，逐个可视化每一个样本的预测解释