InterpretML
InterpretML: A Unified Framework for Machine Learning Interpretabilityhtml
https://github.com/microsoft/interpretgit
InterpretML 是一個爲實踐者和研究者提供機器學習可解釋性算法的開源 Python 軟件包。InterpretML 能提供如下兩種類型的可解釋性：（1）明箱（glassbox），這是針對可解釋性設計的機器學習模型（好比線性模型、規則列表、廣義相加模型）；（2）黑箱（blackbox）可解釋技術，用於解釋已有的系統（好比部分依賴、LIME）。這個軟件包可以讓實踐者經過在一個統一的 API 下，藉助內置的可擴展可視化平臺，使用多種方法來輕鬆地比較可解釋性算法。InterpretML 也包含了可解釋 Boosting 機（Explanable Boosting Machine，EBM）的首個實現，這是一種強大的可解釋明箱模型，能夠作到與許多黑箱模型同等準確的性能。github
其餘庫
LIME
「Why Should I Trust You?」 Explaining the Predictions of Any Classifier機器學習
https://github.com/marcotcr/limepost
LIME是一種算法（庫），能夠解釋任何分類器或迴歸量的預測。LIME是如何作到的呢？經過可解釋的模型在局部不斷接近預測值，這個模型解釋器可用於生成任何分類算法的解釋。性能
在機器學習模型中創建信任（在Python中使用LIME）學習
H2O
https://github.com/h2oai/mli-resourcesui
H2O的無人駕駛AI，提供簡單的數據可視化技術，用於表示高度特徵交互和非線性模型行爲，經過可視化提供機器學習可解釋性（MLI），說明建模結果和模型中特徵的影響。url
原創文章，轉載請註明出處！
本文連接：http://daiwk.github.io/posts/platform-interpret-ml.html