SHAP vs. přístupy specifické pro model

Porovnáš vysvětlovací sílu SHAP hodnot z Kernel Explaineru s koeficienty logistické regrese – oboje natrénované na datové sadě příjmů. Na konci skriptu se zavolá pomocná funkce plot_importances(), která vykreslí důležitosti do jednoho grafu.

Proměnné X s příznaky a y s popisky a logistický regresní model model jsou pro tebe předem načteny. matplotlib.pyplot je importován jako plt.

Toto cvičení je součástí kurzu

Explainable AI v Pythonu

Zobrazit kurz

Pokyny k cvičení

Vypočítej koeficienty logistického regresního modelu model.
Vytvoř Kernel Explainer pro výpočet shap_values pomocí logistického regresního modelu model a k-means souhrnu 10 vzorků z X.
Vypočítej průměrné absolutní SHAP hodnoty pro odhad vlivu každého příznaku.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

import shap

# Extract model coefficients
coefficients = ____

# Compute SHAP values
explainer = ____
shap_values = explainer.shap_values(X)

# Calculate mean absolute SHAP values
mean_abs_shap = ____

plot_importances(coefficients, mean_abs_shap)

Upravit a spustit kód