本文介绍了一个开源Python工具箱,称为“集合功能重要性(EFI)”,以提供机器学习(ML)研究人员,领域专家和决策者,具有强大而准确的功能重要性的重要性量化,以及更可靠的机械解释,对使用预测问题的特征的重要性更重要模糊集。该工具包的开发是为了解决特征重要性量化的不确定性,并且由于机器学习算法的多样性,重要性计算方法和数据集依赖性而缺乏可信赖的特征重要性解释。 EFI使用数据自举和决策融合技术(例如平均值,多数投票和模糊逻辑)与多个机器学习模型合并了不同的特征重要性计算方法。 EFI工具箱的主要属性是:(i)ML算法的自动优化,(ii)从优化的ML算法和功能重要性计算技术中自动计算一组功能重要性系数,(iii)使用多个重要性系数的自动汇总决策融合技术和(iv)模糊成员资格功能,显示了每个功能对预测任务的重要性。描述了工具箱的关键模块和功能,并使用流行的IRIS数据集提供了其应用程序的简单示例。
translated by 谷歌翻译