22、机器学习模型解释：锚定解释与反事实解释

机器学习模型解释：锚定解释与反事实解释

1. 锚定解释的局部解读

在机器学习模型解释中，锚定解释是一种强大的工具。对于所有的 Alibi 解释器，都需要一个预测函数。为了给 CatBoost 模型创建锚定解释器，我们首先定义一个 lambda 函数 predict_cb_fn ，使用 predict_proba 来获取分类器的概率：

predict_cb_fn = lambda x: fitted_cb_mdl.predict_proba(x) 

接着，初始化 AnchorTabular 解释器，提供特征名称和类别映射 category_map_ohe ，并使用训练数据进行拟合：

anchor_cb_explainer = AnchorTabular(predict_cb_fn, X_train.columns, categorical_names=category_map_ohe) 
anchor_cb_explainer.fit(X_train.values)

在使用解释器之前，需要检查锚定是否“成立”，通过预测器函数验证预测结果是否符合预期。以非洲裔被告（ idx1 ）为例：

print('Prediction: %s' %  class_names