莫里斯敏感性分析

链接到API参考：MorrisSensitivity

查看Morris的支持库这里。

摘要

也被称为莫里斯方法[1]，这是一种逐步（OAT）全局敏感性分析，每次运行只调整一个输入的级别（离散值）。相对于其他敏感性分析算法，莫里斯方法速度较快（模型执行次数较少），但代价是无法区分具有相互作用的非线性。这通常用于筛选哪些输入足够重要以进行进一步分析。该实现使用SALib[2]来进行莫里斯方法。

工作原理

gsa-module 包对Morris筛选方法有一个很好的概念概述，可以查看这里。

SALib 包描述了什么是敏感性分析，以及进行基本级别敏感性分析所需的步骤 这里。

Morris方法的构想论文[1]可以在这里找到here。

代码示例

以下代码将为乳腺癌数据集训练一个黑箱管道。之后，它将使用Morris方法解释该管道及其决策。提供的可视化将用于全局解释。

from interpret import set_visualize_provider
from interpret.provider import InlineProvider
set_visualize_provider(InlineProvider())

import numpy as np
from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split

from sklearn.ensemble import RandomForestClassifier
from sklearn.decomposition import PCA
from sklearn.pipeline import Pipeline

from interpret import show
from interpret.blackbox import MorrisSensitivity

seed = 42
np.random.seed(seed)
X, y = load_breast_cancer(return_X_y=True, as_frame=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.20, random_state=seed)

pca = PCA()
rf = RandomForestClassifier(random_state=seed)

blackbox_model = Pipeline([('pca', pca), ('rf', rf)])
blackbox_model.fit(X_train, y_train)

msa = MorrisSensitivity(blackbox_model, X_train)

show(msa.explain_global())