1. Učit se
    2. /
  2. Kurzy
    3. /
  3. Explainable AI v Pythonu
Connected

cvičení

Grafy důležitosti příznaků pro analýzu přijímacího řízení

Jako součást datového týmu na univerzitě máš za úkol zjistit, které faktory skutečně ovlivňují rozhodnutí o přijetí ke studiu a které jsou méně důležité. Přijímací komise sice ví, že CGPA hraje klíčovou roli, ale chce to potvrdit a odhalit i další faktory, které mohou výsledky ovlivňovat. Pomocí modelu RandomForestRegressor vizualizuješ důležitost příznaků, abys jasně identifikoval/a, které části profilů uchazečů mají největší váhu a které mají na rozhodovací proces menší vliv.

Knihovna shap a trénovací data (X_train, y_train) jsou pro tebe předem načteny.

Pokyny

100 XP
  • Odvoď shap_values pomocí TreeExplainer.
  • Použij získané shap_values k vykreslení důležitosti příznaků pomocí sloupcového grafu a analyzuj výsledky.