2 مستودعات
Awesome GitHub RepositoriesClassifier Interpretability
Tools for visualizing and explaining the decision-making process of image classification models.
Distinct from Image Classifiers: Focuses on explaining why an image was classified, rather than performing the classification itself.
Explore 2 awesome GitHub repositories matching data & databases · Classifier Interpretability. Refine with filters or upvote what's useful.
Awesome Classifier Interpretability GitHub Repositories
اعثر على أفضل المستودعات باستخدام الذكاء الاصطناعي.سنبحث عن أفضل المستودعات المطابقة باستخدام الذكاء الاصطناعي.
- marcotcr/lime
marcotcr/lime
12,142عرض على GitHubThis project is an agnostic model interpretability framework and explainability tool designed to provide local interpretable explanations for individual predictions. It functions as a local surrogate model that approximates the behavior of any machine learning classifier or regression model to identify the most influential features for a specific instance. The framework is designed to be model-agnostic, meaning it can explain predictions across tabular, text, and image data regardless of the underlying architecture. It employs local linear approximations and feature importance visualization t
Visualizes the specific segments or pixels of an image that most strongly drive classification decisions.
JavaScript - christophm/interpretable-ml-book
christophM/interpretable-ml-book
5,317عرض على GitHubهذا المشروع عبارة عن مورد تعليمي شامل ودليل تقني يركز على تعلم الآلة القابل للتفسير والذكاء الاصطناعي القابل للشرح. يعمل ككتاب مدرسي ومرجع لتنفيذ التقنيات التي تجعل نماذج تعلم الآلة المعقدة شفافة ومفهومة للبشر. يوفر المورد إرشادات حول بناء نماذج شفافة بطبيعتها، مثل أشجار القرار والنماذج الخطية المتفرقة، وتطبيق طرق الشرح اللاحقة على أنظمة الصندوق الأسود. يفصل المنهجيات المحددة لقياس أهمية الميزة، وتوليد مبررات للتنبؤات الفردية، واستخدام نماذج بديلة لتقريب عمليات صنع القرار المعقدة. يغطي المحتوى مجموعة واسعة من القدرات التحليلية، بما في ذلك تحليل تأثير الميزة العالمية والمحلية، وقابلية تفسير رؤية الكمبيوتر، واستخدام المساهمات القائمة على نظرية الألعاب مثل قيم Shapley. كما يتناول تقييم النموذج من خلال تقييمات القابلية للتفسير، وسير عمل تصحيح الأخطاء لتحديد اختصارات النموذج، وتصميم هياكل الخوارزميات الشفافة. يتم تنفيذ المشروع كمجموعة من دفاتر Jupyter.
Replaces normalization layers with whitening transformations to make pre-trained classifiers intrinsically interpretable.
Jupyter Notebook
