搜索研究与资料 · 工具介绍
Alibi
Alibi 是用于机器学习模型检查与解释的 Python 库，提供分类和回归模型的局部、全局及黑盒、白盒解释方法，并以初始化、拟合和解释接口组织使用流程。
Alibi 能做什么
Alibi 是用于机器学习模型检查与解释的 Python 库，提供分类和回归模型的局部、全局及黑盒、白盒解释方法，并以初始化、拟合和解释接口组织使用流程。
- 模型训练与部署
如何使用 Alibi
为单个表格样本生成预测解释
准备输入
- 模型预测函数、训练数据、特征名称和类别映射。
- 需要解释的单个输入样本。
操作步骤
- 安装 Alibi，使用预测函数及特征信息初始化 AnchorTabular。
- 在训练数据上调用 fit，再以 explain 解释目标样本。
- 读取 Explanation 对象中的解释数据，对照输入特征和实际预测检查解释是否适用。
预期交付物
- 目标样本的预测解释及人工核对记录。
解释对象的字段因方法而异，需按所选算法读取；局部解释应结合样本和模型行为理解，不能直接当作因果关系或模型整体可靠性的证明。
开始前需要了解
账号权限、费用与可用功能请以官方入口的当前说明为准。重要结果应先检查，再用于实际工作。
从搜索研究与资料角度评估Alibi
把搜索研究与资料需要的条件列清楚，再比较工具。阅读本页的产品用途、步骤与限制，再逐项确认下面的问题；这些是选型方法，不表示每款工具都具备同样能力。
来源能否回看
需要能打开的原始页面或文档位置，不能只有一段无出处的摘要。
范围是否与问题一致
核对日期、地区、对象与定义，不把相似术语当成同一事实。
是否保留反例
把冲突资料和未解决问题放进结论，避免只找支持原想法的证据。
选择一个小样任务，先检查结果与交付格式，再决定是否用于更多资料。
