LoslegenKostenlos starten

Wichtige Prädiktoren für medizinische Kosten mit SHAP bestimmen

SHAP-Werte liefern aufschlussreiche Erklärungen für Vorhersagen, die von ML-Modellen gemacht werden. Jetzt wirst du mithilfe von SHAP den Einfluss verschiedener Merkmale in einem RandomForestRegressor-Modell auf die Vorhersage von Versicherungskosten bestimmen.

X mit den Prädiktormerkmalen und y mit den Versicherungskosten wurden ebenso bereits geladen wie das RandomForestRegressor-Modell (model).

Bitte beachte, dass die Ausführung des Codes einige Zeit dauern kann.

Diese Übung ist Teil des Kurses

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

Übungsanweisungen

  • Initialisiere einen SHAP-TreeExplainer namens explainer für das RandomForest-Modell (model).
  • Berechne die SHAP-Werte (shap_values) für den Datensatz.
  • Berechne die mittleren absoluten SHAP-Werte, um die einflussreichsten Merkmale zu identifizieren.

Interaktive praktische Übung

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

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()
Code bearbeiten und ausführen