CommencezCommencez gratuitement

Repérer les principaux prédicteurs des frais médicaux avec SHAP

Les valeurs SHAP offrent des explications éclairantes sur les prédictions faites par des modèles de Machine Learning. Vous allez maintenant utiliser SHAP pour comprendre l'influence de différentes variables dans un RandomForestRegressor model sur la prédiction des frais d'assurance.

X, qui contient les variables prédictives, et y, qui contient les frais d'assurance, ainsi que le model de régression RandomForest, ont été préchargés pour vous.

Veuillez noter que l'exécution du code peut prendre un certain temps.

Cette activité fait partie du cours

Explainable AI en Python

Voir le cours

Instructions de l’exercice

  • Initialisez un explicationneur d'arbres SHAP nommé explainer pour le model RandomForest.
  • Calculez les shap_values pour le jeu de données.
  • Calculez la moyenne des valeurs absolues SHAP afin d'identifier les variables les plus influentes.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

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()
Modifier et exécuter le code