APLR分类器

链接到算法描述：自动分段线性回归

下面的API参考解释了InterpretML中轻量级包装器添加的方法。其余成员和方法的API参考可以在这里找到。

class interpret.glassbox.APLRClassifier(**kwargs)

初始化类。

Parameters:

**kwargs – 在初始化时传递给APLRClassifier的Kwargs。

explain_global(name=None)

为模型提供全局解释。

Parameters:

name – 用户定义的解释名称。

Returns:

一个解释对象，将特征-值对可视化为水平条形图。

explain_local(X, y=None, name=None)

为提供的实例提供本地解释。

Parameters:

• X – 用于解释的X的Numpy数组。

• y – 用于解释的y的Numpy向量。

• name – 用户定义的解释名称。

Returns:

一个解释对象，将每个实例的特征-值对可视化为水平条形图。

score(X, y, sample_weight=None)

返回给定测试数据和标签的平均准确率。

在多标签分类中，这是子集准确度 这是一个严格的指标，因为您要求每个样本的 每个标签集都被正确预测。

Parameters:

• X (形状为 (n_samples, n_features) 的数组) – 测试样本。

• y (形状为 (n_samples,) 或 (n_samples, n_outputs) 的数组类) – X 的真实标签。

• sample_weight (形状为 (n_samples,)的类数组, 默认=None) – 样本权重。

Returns:

score – self.predict(X) 相对于 y 的平均准确率。

Return type:

浮点数