SHAP frente a enfoques específicos del modelo
Compararás el poder explicativo de los valores SHAP de un Kernelexplainer con los coeficientes de regresión logística, ambos entrenados con el conjunto de datos de ingresos. Al final del script se llama a una función auxiliar plot_importances() para representar importancias en el mismo gráfico.
X, que contiene las características, y, que contiene las etiquetas, y la regresión logística model se han cargado previamente para ti. matplotlib.pyplot se ha importado como plt.
Este ejercicio forma parte del curso
IA explicable en Python
Instrucciones de ejercicio
- Calcula los coeficientes de la regresión logística
model. - Crea el Kernelexplainer para calcular
shap_valuesutilizando la regresión logísticamodely un resumen k-medias de 10 muestras deX. - Calcula los valores SHAP absolutos medios para estimar el impacto de cada característica.
Ejercicio interactivo práctico
Pruebe este ejercicio completando este código de muestra.
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)