41、可解释性的单调约束与模型调优

可解释性的单调约束与模型调优

在机器学习中，为了提升模型的可解释性，我们需要对特征工程和模型调优进行深入的研究。下面将详细介绍特征工程的相关操作以及如何对 Keras 神经网络进行调优。

1. 特征工程

1.1 特征离散化

对于连续特征，如年龄（age），我们可以采用不同的离散化方法。
- 等宽离散化 ：也称为固定宽度区间，区间大小由 (max(x) - min(x)) / N 确定，其中 N 是区间数量。
- 等频离散化 ：也称为四分位数离散化，确保每个区间的观测值数量大致相同。

以下代码展示了如何使用这两种方法进行离散化并绘制概率进展图：

mldatasets.plot_prob_progression(recidivism_df.age,
      recidivism_df.is_recid, x_intervals=7,
      use_quartiles=False,
      title='Probability of Recidivism by Age Discretized in Fix-Width Bins', xlabel='Age')
mldatasets.plot_prob_progression(recidivism_df.age,
      recidivism_df.is_recid, x_intervals=7,
      use_quartiles=True,
      t