LoslegenKostenlos loslegen

KernelExplainer für MLPClassifier

Neuronale Netze können sehr genaue Ergebnisse liefern, aber durch ihre Komplexität ist es oft schwer, ihre Entscheidungen zu verstehen. Jetzt nutzt du den SHAP-KernelExplainer, um einen MLPClassifier zu interpretieren, der mit dem Datensatz zum Einkommen von Erwachsenen trainiert wurde. Du untersuchst, welches der drei Merkmale – Alter, Bildung oder Wochenarbeitsstunden – bei diesem Modell am wichtigsten für die Vorhersage des Einkommens ist.

X mit den Prädiktoren und y mit den Zulassungsentscheidungen sowie der vortrainierte MLPClassifier model wurden bereits geladen.

Diese Übung ist Teil des Kurses

Erklärbare KI in Python

Kurs anzeigen

Anleitung zur Übung

  • Instanziiere einen SHAP-KernelExplainer mit dem MLPClassifier-Modell (model) und einer k-means-Zusammenfassung von 10 Stichproben aus X.
  • Generiere shap_values für X.
  • Berechne die mittleren absoluten SHAP-Werte, um die wichtigsten Faktoren zu ermitteln, die sich auf die Zulassungen auswirken.

Interaktive Übung

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

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 MLPClassifier')
plt.xticks(rotation=45)
plt.show()
Code bearbeiten und ausführen