Kernelexplainer para MLPClassifier
Las redes neuronales pueden ser muy exactas, pero comprender sus decisiones puede ser un reto debido a su complejidad. Ahora aprovecharás el Kernelexplainer SHAP para interpretar un MLPClassifier entrenado con el conjunto de datos de ingresos de adultos. Explorarás cuál de las tres características (edad, estudios u horas trabajadas por semana) es más importante para prever los ingresos según este modelo.
X, que contiene los predictores, y, que contiene las decisiones de admisión, y el MLPClassifier preentrenado model se han precargado para ti.
Este ejercicio forma parte del curso
IA explicable en Python
Instrucciones de ejercicio
- Instancia un SHAP.KernelExplainer usando el MLPClassifier
modely un resumen k-medias de 10 muestras deX. - Genera
shap_valuesparaX. - Calcula los valores SHAP absolutos medios para identificar los factores clave que afectan a las admisiones.
Ejercicio interactivo práctico
Pruebe este ejercicio completando este código de muestra.
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()