Hodnocení vlivu pomocí grafů částečné závislosti
Navazujeme na předchozí analýzu – tvým dalším úkolem je prozkoumat, jak CGPA a University Rating ovlivňují rozhodování o přijetí ke studiu. Naše dřívější analýza ukázala, že CGPA je nejdůležitějším prediktorem, zatímco University Rating je nejméně důležitý. Graf částečné závislosti nám umožní vidět, jak změny těchto příznaků ovlivňují pravděpodobnost přijetí – a přijímací komisi tak poskytne detailnější pohled na jejich vliv.
X_train a y_train jsou pro tebe předem načteny.
Toto cvičení je součástí kurzu
Explainable AI v Pythonu
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
from sklearn.ensemble import RandomForestRegressor
import shap
model = RandomForestRegressor(random_state=42)
model.fit(X_train, y_train)
# Generate the partial dependence plot for CGPA
shap.partial_dependence_plot(____, ____, X_train)