Kernel Explainer pro MLPRegressor
Dataset pro přijímací řízení už znáš, takže teď využiješ SHAP Kernel Explainer k vysvětlení modelu MLPRegressor natrénovaného na těchto datech. Tato metoda ti umožní kriticky zhodnotit, jak jednotlivé příznaky ovlivňují předpovědi modelu, a porovnat zjištěné poznatky se svými dosavadními znalostmi o datasetu.
X obsahující prediktory a y obsahující rozhodnutí o přijetí jsou spolu s předtrénovaným modelem MLPRegressor model předem načteny.
Toto cvičení je součástí kurzu
Explainable AI v Pythonu
Pokyny k cvičení
- Vytvoř SHAP Kernel Explainer pomocí modelu MLPRegressor
modela k-means souhrnu 10 vzorků zX. - Vygeneruj
shap_valuesproX. - Vypočítej průměrné absolutní hodnoty SHAP, abys identifikoval/a klíčové faktory ovlivňující přijetí.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
import shap
# Create a SHAP Kernel 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 MLPRegressor')
plt.xticks(rotation=45)
plt.show()