Analýza vlivu příznaků pomocí beeswarm grafů
V roli datového vědce na univerzitě se teď zaměříš na podrobnější analýzu toho, jak jednotlivé příznaky ovlivňují výsledky přijímacího řízení. Identifikace klíčových faktorů byla důležitým prvním krokem – hlubší pohled nám ale umožní pochopit, jak konkrétní změny těchto faktorů ovlivňují předpovědi modelu. Díky tomu budeme schopni odpovědět na otázky jako: jak změna výsledků testů nebo hodnoty CGPA ovlivňuje pravděpodobnost přijetí? Tato zjištění poskytnou jasnější podklad pro informovaná rozhodnutí a doporučení v oblasti přijímací politiky.
Knihovna shap a trénovací data (X_train, y_train) jsou předem načteny.
Toto cvičení je součástí kurzu
Explainable AI v Pythonu
Pokyny k cvičení
- Odvoď
shap_valuespomocíTreeExplainer. - Použij odvozené
shap_valuesk vykreslení beeswarm grafu a proveď jeho analýzu.
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 beeswarm plot
____