iml

iml 是一个 R 包，用于解释机器学习模型的行为并阐明其预测结果。 它实现了模型无关的可解释性方法——这意味着这些方法可以应用于任何机器学习模型。

特性

• 特征重要性
• 部分依赖图
• 个体条件期望图 (ICE)
• 累积局部效应
• 树代理模型
• LocalModel：局部可解释的模型无关解释
• 用于解释单个预测的 Shapley 值

更多关于这些方法的信息，请参阅《可解释的机器学习》一书中的 模型无关方法。

教程

点击此徽章即可启动交互式笔记本教程：

安装

该包可以直接从 CRAN 安装，开发版本则可从 GitHub 获取：

# 稳定版
install.packages("iml")

# 开发版
remotes::install_github("christophM/iml")

新闻

软件包的变更记录可在 NEWS 文件 中查看。

快速入门

首先，我们训练一个随机森林模型来预测波士顿房价中位数。那么 lstat 特征对预测结果的影响是怎样的？这种影响在个体层面和平均层面有何不同？（累积局部效应）

library("iml")
library("randomForest")
data("Boston", package = "MASS")
rf = randomForest(medv ~ ., data = Boston, ntree = 50)
X = Boston[which(names(Boston) != "medv")]
model = Predictor$new(rf, data = X, y = Boston$medv)
effect = FeatureEffects$new(model)
effect$plot(features = c("lstat", "age", "rm"))

贡献

请查看 贡献指南。

引用

如果您在科学出版物中使用了 iml，请按以下方式引用：

Molnar, Christoph, Giuseppe Casalicchio, and Bernd Bischl. "iml: An R package for interpretable machine learning." Journal of Open Source Software 3.26 (2018): 786.

BibTeX 格式如下：

@article{molnar2018iml,
  title={iml: An R package for interpretable machine learning},
  author={Molnar, Christoph and Casalicchio, Giuseppe and Bischl, Bernd},
  journal={Journal of Open Source Software},
  volume={3},
  number={26},
  pages={786},
  year={2018}
}

许可证

© 2018 - 2025 Christoph Molnar

本仓库的内容采用 MIT 许可证进行分发。详细信息如下：

MIT 许可证 (MIT)

本许可在此授予任何人免费获取本软件及相关文档文件（“软件”）副本的权利，允许以任何形式处理软件，包括但不限于使用、复制、修改、合并、发布、分发、再许可及出售软件副本，并允许向任何获得软件的人提供服务，但须遵守以下条件：

上述版权声明及本许可声明应包含在所有软件副本或实质性部分中。

“软件”按“原样”提供，不附带任何明示或暗示的保证，包括但不限于适销性、特定用途适用性和非侵权性。在任何情况下，作者或版权所有者均不对因合同、侵权或其他原因引起的任何索赔、损害赔偿或其他责任负责，即使此类责任源于与软件有关或由软件引起的行为。

资助

本项目由巴伐利亚州教育、科学与艺术部在“数字化巴伐利亚中心”（ZD.B）框架下资助。

iml 快速上手指南

iml 是一个用于解释机器学习模型行为和预测结果的 R 语言包。它实现了与模型无关的可解释性方法，适用于任何机器学习模型。

环境准备

• 操作系统：Windows、macOS 或 Linux
• R 版本：建议安装最新稳定版 R（≥ 4.0.0）
• 前置依赖：
  • randomForest（示例中使用）
  • MASS（示例数据集）
  • remotes（如需从 GitHub 安装开发版）

可通过以下命令检查并安装基础依赖：

install.packages(c("randomForest", "MASS", "remotes"))

💡 国内用户推荐使用清华或中科大镜像源加速安装：

options(repos = c(CRAN = "https://mirrors.tuna.tsinghua.edu.cn/CRAN"))

安装步骤

安装稳定版（推荐）

install.packages("iml")

安装开发版（可选）

remotes::install_github("christophM/iml")

基本使用

以下示例展示如何使用 iml 分析随机森林模型中特征对预测的影响（以波士顿房价数据为例）：

library("iml")
library("randomForest")
data("Boston", package = "MASS")

# 训练随机森林模型
rf = randomForest(medv ~ ., data = Boston, ntree = 50)

# 准备数据和模型接口
X = Boston[which(names(Boston) != "medv")]
model = Predictor$new(rf, data = X, y = Boston$medv)

# 计算并绘制特征效应（累积局部效应）
effect = FeatureEffects$new(model)
effect$plot(features = c("lstat", "age", "rm"))

运行后将生成图表，展示 lstat（低地位人口比例）、age（房龄）和 rm（平均房间数）对房价预测的个体及平均影响。

更多方法（如 SHAP 值、部分依赖图、ICE 图等）请参考官方文档或交互式教程：
https://mybinder.org/v2/gh/christophM/iml/master?filepath=./notebooks/tutorial-intro.ipynb