La traducción de esta página aún no se ha actualizado a la versión más reciente. Haga clic aquí para ver la última versión en inglés.

Capacidad de interpretación

Entrene modelos de regresión interpretables e interprete modelos de regresión complejos

Emplee modelos de regresión interpretables por naturaleza, por ejemplo, modelos lineales, árboles de decisión y modelos aditivos generalizados, o utilice las funcionalidades de interpretación para interpretar modelos de regresión complejos que no son interpretables por naturaleza.

Para saber cómo interpretar modelos de regresión, consulte Interpret Machine Learning Models.

Funciones

expandir todo

Interpretar un modelo entrenado

Explicaciones independientes del modelo local interpretable (LIME, por sus siglas en inglés)

`lime`	Local interpretable model-agnostic explanations (LIME) (desde R2020b)
`fit`	Fit simple model of local interpretable model-agnostic explanations (LIME) (desde R2020b)
`plot`	Plot results of local interpretable model-agnostic explanations (LIME) (desde R2020b)

Valores de Shapley

`shapley`	Shapley values (desde R2021a)
`fit`	Compute Shapley values for query points (desde R2021a)
`plot`	Plot Shapley values using bar graphs (desde R2021a)
`boxchart`	Visualize Shapley values using box charts (box plots) (desde R2024a)
`swarmchart`	Visualize Shapley values using swarm scatter charts (desde R2024a)

Dependencia parcial

`partialDependence`	Compute partial dependence (desde R2020b)
`plotPartialDependence`	Create partial dependence plot (PDP) and individual conditional expectation (ICE) plots

Entrenar un modelo interpretable

`fitlm`	Ajustar un modelo de regresión lineal
`fitrgam`	Fit generalized additive model (GAM) for regression (desde R2021a)
`fitrlinear`	Fit linear regression model to high-dimensional data
`fitrtree`	Fit binary decision tree for regression

Objetos

`LinearModel`	Modelo de regresión lineal
`RegressionGAM`	Generalized additive model (GAM) for regression (desde R2021a)
`RegressionLinear`	Linear regression model for high-dimensional data
`RegressionTree`	Regression tree

Temas

Interpretación de modelos

Interpret Machine Learning Models
Explain model predictions using the lime and shapley objects and the plotPartialDependence function.
Shapley Values for Machine Learning Model
Compute Shapley values for a machine learning model using interventional algorithm or conditional algorithm.
Shapley Output Functions
Stop Shapley computations, create plots, save information to your workspace, or perform calculations while using shapley.
Introduction to Feature Selection
Learn about feature selection algorithms and explore the functions available for feature selection.
Explain Model Predictions for Regression Models Trained in Regression Learner App
To understand how trained regression models use predictors to make predictions, use global and local interpretability tools, such as partial dependence plots, LIME values, and Shapley values.
Use Partial Dependence Plots to Interpret Regression Models Trained in Regression Learner App
Determine how features are used in trained regression models by creating partial dependence plots.

Modelos interpretables

Train Linear Regression Model
Train a linear regression model using fitlm to analyze in-memory data and out-of-memory data.
Train Generalized Additive Model for Regression
Train a generalized additive model (GAM) with optimal parameters, assess predictive performance, and interpret the trained model.
Train Regression Trees Using Regression Learner App
Create and compare regression trees, and export trained models to make predictions for new data.