Hledání klíčových prediktorů zdravotních nákladů pomocí SHAP
Hodnoty SHAP poskytují srozumitelné vysvětlení predikcí modelů strojového učení. Teď využiješ SHAP k tomu, aby ses podíval/a, jak různé příznaky ovlivňují předpovědi pojistných nákladů v modelu RandomForestRegressor model.
Proměnné X s prediktory a y s pojistnými náklady spolu s regresorem RandomForest model jsou pro tebe připraveny.
Počítej s tím, že spuštění kódu může chvíli trvat.
Toto cvičení je součástí kurzu
Explainable AI v Pythonu
Pokyny k cvičení
- Inicializuj SHAP tree explainer pojmenovaný
explainerpro RandomForestmodel. - Vypočítej
shap_valuespro danou datovou sadu. - Spočítej průměrné absolutní hodnoty SHAP, abys identifikoval/a nejvlivnější příznaky.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
import shap
# Create a SHAP Tree Explainer
explainer = ____
# Calculate SHAP values
shap_values = ____
# Calculate mean absolute SHAP values
mean_abs_shap = ____
plt.bar(X.columns, mean_abs_shap)
plt.title('Mean Absolute SHAP Values for RandomForest')
plt.xticks(rotation=45)
plt.show()