csinva/imodels

해결하는 문제

현대의 머신러닝 모델은 종종 복잡한 '블랙박스' 시스템으로 해석이 어렵습니다. imodels는 랜덤 포레스트와 같은 복잡한 모델을 예측 정확도를 희생하지 않고도 규칙 목록이나 작은 트리와 같은 단순하고 투명한 대안으로 대체할 수 있는 최첨단 해석 가능한 모델의 컬렉션을 제공합니다.

작동 방식

이 패키지는 scikit-learn estimator API(fit 및 predict 메서드)를 따르는 다양한 해석 가능한 모델링 기법을 구현합니다. 주로 네 가지 형태의 해석 가능한 출력을 제공합니다:

• 규칙 세트: 트리에서 추출한 스파스 선형 모델 또는 결합 규칙.
• 규칙 목록: 순차적인 규칙 목록 (예: 베이지안 또는 그리디 규칙 목록).
• 규칙 트리: 다양한 적합 방법을 사용하는 결정 트리 (예: CART, C4.5, TAO).
• 대수 모델: 스파스 정수 선형 모델 또는 일반화된 가법 모델 (GAM).

또한 블랙박스 모델을 해석 가능한 모델로 변환하는 디스틸레이션(다이스틸레이션) 및 자동 모델 선택을 위한 AutoML용 래퍼도 포함되어 있습니다.

대상 사용자

임상 의사결정과 같은 고위험 분야에서 예측 모델이 투명하고 간결하며 이해하기 쉬워야 하는 데이터 과학자 및 연구자.

주요 특징

• scikit-learn 호환: sklearn 파이프라인과 그리드 서치와 원활하게 통합 가능.
• 다양한 모델 라이브러리: 베이지안 규칙 목록부터 가우시안 프로세스 GAM까지 포함.
• 모델 디스틸레이션: 복잡한 모델을 학습한 후 간단하고 해석 가능한 버전으로 변환할 수 있음.
• AutoML 통합: 가장 적합한 해석 가능한 모델을 자동으로 적합하고 선택할 수 있는 내장 도구.