CommencezCommencez gratuitement

SHAP vs approches propres au modèle

Vous allez comparer le pouvoir explicatif des valeurs SHAP obtenues avec un Kernel Explainer et les coefficients d'une régression logistique, tous deux entraînés sur l'ensemble de données de revenus. Une fonction utilitaire plot_importances() est appelée à la fin du script pour tracer les importances sur le même graphique.

X, qui contient les caractéristiques, y, qui contient les étiquettes, ainsi que le modèle de régression logistique model, ont été préchargés pour vous. matplotlib.pyplot a été importé sous le nom plt.

Cette activité fait partie du cours

Explainable AI en Python

Voir le cours

Instructions de l’exercice

  • Calculez les coefficients du modèle de régression logistique model.
  • Créez un Kernel Explainer pour calculer les shap_values à l'aide du modèle de régression logistique model et d'un résumé k-means de 10 échantillons tirés de X.
  • Calculez la valeur absolue moyenne des valeurs SHAP pour estimer l'impact de chaque caractéristique.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

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)
Modifier et exécuter le code