#24 · 主分类： 经典机器学习框架
imodels
ai
artificial-intelligence
bayesian-rule-list
data-science
explainable-ai
explainable-ml
imodels
interpretability
machine-learning
ml
optimal-classification-tree
python
rule-learning
rulefit
rules
scikit-learn
statistics
supervised-learning
可解释的机器学习包 🔍，用于简洁、透明且准确的预测建模（兼容 sklearn）。
项目最后更新：08/03/26
GitHub Stars
1.6K
Forks数量
141
贡献者数量
30
许可证
MIT
收录理由
大多数机器学习库都在追求更庞大、更复杂的模型，而 imodels 却反其道而行之。它把规则列表、规则集、决策树、稀疏线性模型和广义加性模型等众多可解释模型家族汇集到一起，统一提供与 scikit-learn 兼容的接口。这意味着你可以用一条简洁的规则列表替换掉黑箱随机森林，而无需改动训练流程的其他部分，因为它的 fit/predict 工作方式与标准 sklearn 估计器完全一致。此外，它还内置了层级收缩和蒸馏等包装器，用于正则化或简化你已有的模型。对于处理表格数据、且需要向利益相关方解释预测依据的团队来说，这个工具能让你轻松并排比较多种透明方案，最终选出在准确性和可解释性之间最平衡的那一个。
相关文章
暂无针对该项目的文章。
如需补充新闻资讯、使用教程、应用测评等内容，欢迎 联系我们推荐选题或投稿。