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
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 ausX
, umshap_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)