通过 h2o 集成模型找到每个特征对做出特定预测的贡献答案

【问题标题】：Finding contribution by each feature into making particular prediction by h2o ensemble model通过 h2o 集成模型找到每个特征对做出特定预测的贡献
【发布时间】：2018-08-01 02:36:45
【问题描述】：

我试图解释 h2o GBM 模型做出的决定。基于想法：https://medium.com/applied-data-science/new-r-package-the-xgboost-explainer-51dd7d1aa211 我想计算每个功能对在测试时做出特定决定的贡献。是否可以从 ensable 中获取每棵单独的树以及每个节点的对数赔率？在进行预测时，还需要按模型对每棵树进行路径遍历。

【问题讨论】：

请编辑您的问题，现在您开始指的是 GLM，而您的意思是 GBM。
快速说明，有关与 h2o 相关的可解释性技术的更多信息，请参阅github.com/h2oai/mli-resources

标签： decision-tree h2o ensemble-learning

【解决方案1】：

H2O 没有等效的 xgboostExplainer 包。但是，有一种方法可以接近。

1) 如果您想知道单行/观察所采用的决策路径，您可以使用 h2o.predict_leaf_node_assignment(model, frame) 获取带有叶节点分配的 H2OFrame，这将生成如下所示的内容（显示路径在以下情况下构建的每棵树，您可以看到构建了 5 棵树）：

2) 您可以使用 H2O 的 MOJO 可视化单个树，您可以在构建 GBM 或 XGBoost 模型后下载它，如下所示：

3) 在即将发布的版本中，您将能够使用 GBM 获取每个叶节点的预测值（对此的拉取请求是 here）

将所有这些步骤放在一起应该可以让您非常接近获得所需的值，这样您就可以将它们添加到您的个人功能影响中。（对于一个 python jupyter 笔记本，其中包含有关如何生成叶节点分配和可视化的示例树的样子here)

【讨论】：

在第 3 步中，我们得到叶节点的预测值。我不清楚如何从非叶节点获得贡献。进行预测时沿路径遍历的节点。
是的，这是真的，现在您只能获得每棵树的叶节点内的预测值。我在您的原始帖子下添加了一条评论，并考虑了其他 mli 技术。