La traduction de cette page n'est pas à jour. Cliquez ici pour voir la dernière version en anglais.

Interprétabilité

R2026a

Entraîner des modèles de régression interprétables et interpréter des modèles de régression complexes

Utilisez des modèles de régression intrinsèquement interprétables tels que des modèles linéaires, des arbres de décision et des modèles additifs généralisés. Utilisez des fonctionnalités d’interprétabilité pour interpréter des modèles de régression complexes qui ne sont pas intrinsèquement interprétables.

Pour découvrir comment interpréter les modèles de régression, consultez Interpret Machine Learning Models.

Fonctions

développer tout

Interpréter un modèle entraîné

Explications locales interprétables par modèle agnostique (méthode de LIME)

`lime`	Local interpretable model-agnostic explanations (LIME)
`fit`	Fit simple model of local interpretable model-agnostic explanations (LIME)
`plot`	Plot results of local interpretable model-agnostic explanations (LIME)

Valeurs de Shapley

`shapley`	Shapley values
`fit`	Compute Shapley values for query points
`plot`	Plot Shapley values using bar graphs
`boxchart`	Visualize Shapley values using box charts (box plots) (depuis R2024a)
`plotDependence`	Plot dependence of Shapley values on predictor values (depuis R2024b)
`swarmchart`	Visualize Shapley values using swarm scatter charts (depuis R2024a)

Dépendance partielle

`partialDependence`	Compute partial dependence
`plotPartialDependence`	Create partial dependence plot (PDP) and individual conditional expectation (ICE) plots

Entraîner un modèle interprétable

`fitlm`	Fit linear regression model
`fitrgam`	Fit generalized additive model (GAM) for regression
`fitrlinear`	Fit linear regression model to high-dimensional data
`fitrtree`	Fit binary decision tree for regression

Objets

`LinearModel`	Linear regression model
`RegressionGAM`	Generalized additive model (GAM) for regression
`RegressionLinear`	Linear regression model for high-dimensional data
`RegressionTree`	Binary decision tree for regression

Rubriques

Interprétation des modèles

Interpret Machine Learning Models
Explain model predictions using the lime and shapley objects and the plotPartialDependence function.
Shapley Values for Machine Learning Model
Compute Shapley values for a machine learning model using interventional algorithm or conditional algorithm.
Shapley Output Functions
Stop Shapley computations, create plots, save information to your workspace, or perform calculations while using shapley.
Introduction to Feature Selection
Learn about feature selection algorithms and explore the functions available for feature selection.
Explain Model Predictions for Regression Models Trained in Regression Learner App
To understand how trained regression models use predictors to make predictions, use global and local interpretability tools, such as permutation importance plots, partial dependence plots, LIME values, and Shapley values.
Use Partial Dependence Plots to Interpret Regression Models Trained in Regression Learner App
Determine how features are used in trained regression models by creating partial dependence plots.

Modèles interprétables

Train Linear Regression Model
Train a linear regression model using fitlm to analyze in-memory data and out-of-memory data.
Train Generalized Additive Model for Regression
Train a generalized additive model (GAM) with optimal parameters, assess predictive performance, and interpret the trained model.
Train Regression Trees Using Regression Learner App
Create and compare regression trees, and export trained models to make predictions for new data.