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.
Kompetenzen, die Sie erwerben werden
- r-programming-language
- data-science
- LIME
- machine-learning
- H2O
Schritt für Schritt lernen
In einem Video, das auf einer Hälfte Ihres Arbeitsbereichs abgespielt wird, führt Sie Ihr Dozent durch diese Schritte:
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
Ablauf angeleiteter Projekte
Ihr Arbeitsbereich ist ein Cloud-Desktop direkt in Ihrem Browser, kein Download erforderlich
Ihr Dozent leitet Sie in einem Video mit geteiltem Bildschirm Schritt für Schritt an.
Bewertungen
Top-Bewertungen von 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.
Great intro to machine learning and model intrepretation
Häufig gestellte Fragen
Häufig gestellte Fragen
Was bekomme ich, wenn ich ein angeleitetes Projekt kaufe?
Sind angeleitete Projekte auf dem Desktop und auf Mobilgeräten verfügbar?
Wer sind die Dozenten bei angeleiteten Projekten?
Kann ich die Arbeit aus meinem angeleiteten Projekt herunterladen, nachdem ich sie abgeschlossen habe?
Wie erfolgen Rückerstattungen?
Ist finanzielle Unterstützung möglich?
Kann ich ein angeleitetes Projekt auditieren und den Videoteil kostenlos anschauen?
Wie viel Erfahrung brauche ich für dieses angeleitete Projekt?
Kann ich dieses angeleitete Projekt direkt über meinen Webbrowser abschließen, anstatt spezielle Software zu installieren?
Wie ist die Lernerfahrung bei angeleiteten Projekten?
Haben Sie weitere Fragen? Besuchen Sie das Learner Help Center.
Coursera Footer
