颜色分类leetcode melime 机器学习模型有意义的局部解释

颜色分类leetcode MeLIME -机器学习模型有意义的本地解释在这个项目中，我们引入了改进局部解释的策略，同时考虑到用于训练黑盒模型的数据（在流形上）的分布。与其他技术相比，MeLIME在不同ML模型上产生更有意义的解释，对各种类型的数据进行操作。 MeLIME概括了LIME()方法，允许更灵活的扰动采样和使用不同的局部可解释模型。此外，我们对本地可解释模型的标准训练算法进行了修改，以促进更可靠的解释，甚至允许生成反事实示例。该论文的预印本可在MeLIME功能MeLIME可以应用于任何ML模型。您可以使用不同的本地可解释模型生成解释：线性模型；决策树;基本统计测量。您也可以轻松实现自己的。要为您的ML模型创建有意义的特征空间，可以使用四种策略： KDEGen：核密度估计器（KDE）； KDEPACGen：带有PCA转换的KDE； VAEGen：变分自动编码器； Word2VecGen：其中word2vec用于表示标记。同样，您也可以实现您的生成器。如何使用python虚拟环境安装git clone https:/