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.
Toto cvičení je součástí kurzu
Explainable AI v Pythonu
Pokyny k cvičení
- Odvoď
shap_valuespomocíTreeExplainer. - Použij získané
shap_valuesk vykreslení důležitosti příznaků pomocí sloupcového grafu a analyzuj výsledky.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
model = RandomForestRegressor(random_state=42)
model.fit(X_train, y_train)
# Derive shap values
explainer = ____
shap_values = ____
# Plot the feature importance plot
____