Explainable Machine Learning with LIME and H2O in R
Use LIME and H2O for automatic and interpretable machine learning
Build Classification Models with AutoML
Explain and Interpret the Model Predictions using LIME
Welcome to this hands-on, guided introduction to Explainable Machine Learning with LIME and H2O in R. By the end of this project, you will be able to use the LIME and H2O packages in R for automatic and interpretable machine learning, build classification models quickly with H2O AutoML and explain and interpret model predictions using LIME. Machine learning (ML) models such as Random Forests, Gradient Boosted Machines, Neural Networks, Stacked Ensembles, etc., are often considered black boxes. However, they are more accurate for predicting non-linear phenomena due to their flexibility. Experts agree that higher accuracy often comes at the price of interpretability, which is critical to business adoption, trust, regulatory oversight (e.g., GDPR, Right to Explanation, etc.). As more industries from healthcare to banking are adopting ML models, their predictions are being used to justify the cost of healthcare and for loan approvals or denials. For regulated industries that use machine learning, interpretability is a requirement. As Finale Doshi-Velez and Been Kim put it, interpretability is "The ability to explain or to present in understandable terms to a human.". To successfully complete the project, we recommend that you have prior experience with programming in R, basic machine learning theory, and have trained ML models in R. Note: This course works best for learners who are based in the North America region. We’re currently working on providing the same experience in other regions.
Les compétences que vous développerez
Apprendrez étape par étape
Votre enseignant(e) vous guidera étape par étape, grâce à une vidéo en écran partagé sur votre espace de travail :
Introduction and Project Overview
Import Libraries and Load the IBM HR Employee Attrition Data
Preprocess Data using Recipes
Start H2O Cluster and Create Train/Test Splits
Run AutoML to Train and Tune Models
Leaderboard Exploration
Model Performance Evaluation
Local Interpretable Model-Agnostic Explanations (LIME)
Apply LIME to Interpret Model Outcomes
Comment fonctionnent les projets guidés
Votre espace de travail est un bureau cloud situé dans votre navigateur, aucun téléchargement n'est requis.
Votre enseignant(e) vous guide étape par étape dans une vidéo en écran partagé
Avis
Meilleurs avis pour EXPLAINABLE MACHINE LEARNING WITH LIME AND H2O IN R
A Nice choice of the contents in this course, I must say! A good guided that I should recommend everyone to take. Good luck!
It was an interesting course, explaining hat is happening inside a machine learning algorithm.
Foire Aux Questions
Foire Aux Questions
Que vais-je obtenir si j'achète un projet guidé ?
Les projets guidés sont-ils disponible sur ordinateur et sur mobile ?
Qui sont les enseignants pour les projets guidés ?
Puis-je télécharger le travail depuis mon projet guidé une fois que je l'ai terminé ?
Quelle est la politique de remboursement ?
Une aide financière est-elle disponible ?
Puis-je auditer un projet guidé et regarder une partie de la vidéo gratuitement ?
De quelle expérience ai-je besoin pour réaliser ce projet guidé ?
Puis-je terminer ce projet guidé directement avec mon navigateur web, au lieu d'installer un logiciel spécial ?
Comment se présente l'expérience d'apprentissage pour les projets guidés ?
D'autres questions ? Visitez le Centre d'Aide pour les Etudiants.
Coursera Footer
