问题标签 [lime]

我正在尝试使用“lime”包来解释带有“import85”数据集的随机森林模型，但是当我运行解释命令时它返回一个错误：

predict.randomForest(modelFit, newdata, type = "prob") 中的错误：
新数据中的预测变量类型与训练数据的类型不匹配。

我该如何解决？

编辑 1：我试图强制因子变量级别对于训练和测试数据集都相同，但它不起作用

寻找一个善良的灵魂来帮助我用我当前的 RF 模型解决 R 中的这个错误：

Error: Response is constant across permutations. Please check your model

以下是运行代码所需的文件：link

这是我的代码：

公平地说，我不是原始随机森林模型的作者，可以在这里找到：github 以及完整的文档和所有其他相关文件都可以找到（这里）[ https://peerj.com/articles/ 6304/] 我只是想把石灰应用到那个模型上。

我刚刚开始研究 Azure 数据块。

运行已创建的 Python NoteBook 时遇到一些错误。

这是代码：

收到此错误：

集群运行时：6.5（包括 Apache Spark 2.4.5、Scala 2.11）

我是一名高中生，在使用 PyTorch 和 LIME 方面没有太多经验。我的图像形状有很多问题。最初我的图像形状是 (3,224,224)，但是 LIME 算法仅适用于这种形状的图像 (...,...,3)。结果，我之前尝试过转置图像。通过这样做，我似乎取得了一些进步，但是，现在我遇到了一个不同的错误。这是我的一些代码，用于了解在错误出现之前我一直在做什么。

这是来自“解释器单元”的错误消息

我试图在我的 1000 多个文档的数据集中找到异常。我正在使用 LIME ML Interpreter 来解释模型（隔离森林）预测。在一个参数“模式”中，我可以在分类和回归之间进行选择。我没有一组已知异常的文档。由于隔离森林是一种无监督学习方法，而分类是一种监督学习，用于将观察结果分类为两个或更多类，我最终使用回归。另一方面，我有结果异常或没有异常。

在这里使用什么是正确的？

最好的问候，艾丽

我正在尝试使用as_pyplot_figure()LimeTabularExplainer 的解释方法绘制石灰报告分类算法。它正在工作，但是我使用save_html()mpld3 库以 html 格式在本地保存的数据压缩得太过压缩（实际上不可见）。处理这种情况的任何其他方法都会有所帮助。

我的代码目前看起来像

我正在使用具有混合特征类型的 Lime（本地可解释模型无关解释）来评估我对分类任务的模型预测。有谁知道如何在lime.lime_tabular.LimeTabularExplainer() 方法中指定二进制特征。LIME 实际上如何处理这些类型的特征（更多只有 1 和 0 的特征）？

我有一个带有情绪标签的推文数据集。我已经对数据进行了预处理并完成了词性标注（全部通过 Python 中的 NLTK）。预处理后的数据如下所示：

预处理推文

预处理训练数据后，使用以下代码准备：

深度学习模型是用词嵌入作为层构建的。模型构建代码如下：

我想用 LIME 来解释这个模型的预测（如下图所示）。但它不起作用。

模型的石灰文字说明

我针对特定任务对序列分类进行了 BERT 微调，我想应用 LIME 解释来查看每个标记如何有助于分类到特定标签，因为 LIME 将分类器作为黑盒处理。我从可用的在线代码中制作了一个组合代码，如下所示：

当我运行代码时，由于 predictions.predict 输入，它永远不会给我输出，总是存在我无法计算的尺寸错误，我应该以最简单的形式向 explainer.explain_instance 输入什么？我应该输入 ('text',[[0.9867 0.1243]]) 吗？或 ('text',[[0.9867 0.1243] [0.7651 0.3459] [0.3254 0.775]]) 还是什么？我收到了这个错误

提前致谢

我是数据科学的初学者，这是我的第一个项目。所以我想做的很简单，就是一个0-1的分类。

我先用随机森林来预测，当我尝试应用石灰来解释时，解释器上出现了错误。参考另一篇文章，我认为概率的总和有问题（可能小于1）。由于这不是RNN，所以无法更改激活，期待您的帮助，谢谢~