LoslegenKostenlos starten

SHAP vs. modellspezifische Ansätze

Du vergleichst nun die Erklärungskraft der SHAP-Werte aus einem KernelExplainer mit logistischen Regressionskoeffizienten, die beide mit dem Einkommensdatensatz trainiert wurden. Am Ende des Skripts wird die Hilfsfunktion plot_importances() aufgerufen, um die Wichtigkeiten im selben Diagramm darzustellen.

X mit den Merkmalen und y mit den Labels sowie das Modell (model) für die logistische Regression wurden bereits geladen. matplotlib.pyplot wurde als plt importiert.

Diese Übung ist Teil des Kurses

<Kurs>Erklärbare KI in Python</Kurs>
Kurs ansehen

Übungsanweisungen

  • Berechne die Koeffizienten des logistischen Regressionsmodells.
  • Erstelle einen KernelExplainer mithilfe des logistischen Regressionsmodells (model) und einer k-means-Zusammenfassung von 10 Stichproben aus X, um shap_values zu berechnen.
  • Berechne die mittleren absoluten SHAP-Werte, um die Auswirkungen der einzelnen Merkmale zu schätzen.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

import shap

# Extract model coefficients
coefficients = ____

# Compute SHAP values
explainer = ____
shap_values = explainer.shap_values(X)

# Calculate mean absolute SHAP values
mean_abs_shap = ____

plot_importances(coefficients, mean_abs_shap)
Code bearbeiten und ausführen