tgoop.com/jdata_blog/324
Last Update:
Привет, друзья! 🪁
На днях потестировала новую для себя библиотеку moDel Agnostic Language for Exploration and eXplanation (DALEX)
Небольшой обзор, чтобы не теряться в уже весьма большом количестве либ и фильтровать, что must have, а что — нет.
Плюсы из коробки:
1. Предоставляет красивые визуализации для:
Графиков частичной зависимости (PDP plots);
Измерения важностей признаков на основе перестановки;
Графиков Break down — изменений прогноза при добавлении признака в модель.
2. Позволяет проанализировать взаимодействие
Из известных мне, первая питоновская библиотека, где коэффициенты влияния Feature Interaction можно просто достать из коробки, не задействуя применения статистического анализа.
3. Включает в себя SHAP, LIME (как самые популярные методы) и необходимый минимум классических методов
4. Безумно красиво описана математическая теория всех методов в библиотеке!
Приводят книгу, с которой можно пропасть, анализируя математическую основу методов (я просто немного пропала в ней! ☺️)
Минусы:
1. Частично повторяет существующие библиотеки или является добавлением красоты для классики, которую можно реализовать условно используя sklearn и matplotlib
2. Не дружит с catboost, lightgbm — тоже популярными в проде моделями
3.Не дружит с pyTorch
Совместимость:
scikit-learn, keras, H2O, xgboost, mlr (python)
mlr3, tidymodels (R)
Саммари:
В общем и целом отлично подходит для красивых отчетов и беглой оценки анализа попарного взаимодействия, если нет времени провести статические тесты.
Как мнение — знать хорошо, использовать повседневно — зависит от сценариев.
Всё ещё ваш,
Дата-автор!
BY Data Blog
Share with your friend now:
tgoop.com/jdata_blog/324