LoslegenKostenlos loslegen

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

Erklärbare KI in Python

Kurs anzeigen

Anleitung zur Übung

  • 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 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