معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

Collective Observation on Causal Inference

ویژگی	مقدار
سیستم عامل	-
نام فایل	coci-0.2.0
نام	coci
نسخه کتابخانه	0.2.0
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Koki Fujiwara
ایمیل نویسنده	koki.fujiwara@exwzd.com
آدرس صفحه اصلی	-
آدرس اینترنتی	https://pypi.org/project/coci/
مجوز	-

# COCI Collective Observation on Causal Inferences Coci makes it easy to observe the changes in predictions from machine learning models based on the alterations of feature values. ## Why Coci? Machine learning has always been understood as a black box algorithm, which makes the decision makers hesitant to trust the predictions from this approach. <a href="https://github.com/slundberg/shap">Shap</a> and <a href="https://github.com/marcotcr/lime">Lime</a> has unveiled a lot of mysteries around the effects of the presence of each feature on outcomes. However, these methods cannot show the change in outcomes when features are tweaked. Coci takes it a step further, and reveals the effects on outcomes when changing feature values. # Installation `pip install coci==0.1.7` # Summary Plot ## Sample code ``` import coci explainer = coci.TreeExplainer(model) explainer.sensitivity(X_test, feature_names=feature_names, split_num=2, sample_size=300) explainer.summary_plot(max_display=10) ``` ## Reading the summary plot ![Summary Plot](images/summary_plot.png) # Trend Plot ## Sample code ``` import coci explainer = coci.TreeExplainer(model) explainer.sensitivity(X_test, feature_names=feature_names, split_num=2, sample_size=300) explainer.trend_plot(feature_name=['要介護認定等基準時間（食事）']) ## or show by index explainer.trend_plot(feature_index=[1276]) ## or show the top ranked features explainer.trend_plot(max_display=10) ``` ## Reading the trend plot

نیازمندی

مقدار	نام
-	numpy
-	seaborn

نحوه نصب

نصب پکیج whl coci-0.2.0:

pip install coci-0.2.0.whl

نصب پکیج tar.gz coci-0.2.0:

pip install coci-0.2.0.tar.gz