Еще одна интересная библиотека. В этот раз со всякими интерпретируемыми ML моделями.
imodels - sklearn-style библиотека с целым зоопарком методов интерпетируемого ML (авторы обещают там SoTA методы). Набор методов выглядит внушительно (но надо бы поковыряться).
Выглядит полезным тем, кто хочет поизвлекать правила из моделек или попробовать что-то более или менее современное из интерпретируемого ML.
Пример кода для одного из методов (а на картинке визуализация метода) from sklearn.model_selection import train_test_split from imodels import get_clean_dataset, HSTreeClassifierCV # import any imodels model here
#prepare data (a sample clinical dataset)X, y, feature_names = get_clean_dataset('csi_pecarn_pred') X_train, X_test, y_train, y_test = train_test_split( X, y, random_state=42)
#fit the modelmodel = HSTreeClassifierCV(max_leaf_nodes=4) # initialize a tree model and specify only 4 leaf nodes model.fit(X_train, y_train, feature_names=feature_names) # fit model preds = model.predict(X_test) # discrete predictions: shape is (n_test, 1) preds_proba = model.predict_proba(X_test) # predicted probabilities: shape is (n_test, n_classes) print(model) # print the model
