CommencezCommencez gratuitement

Kernel explainer pour MLPRegressor

Étant donné votre familiarité avec l'ensemble de données sur les admissions, vous allez utiliser le Kernel Explainer de SHAP pour expliquer un MLPRegressor entraîné sur ces données. Cette méthode vous permettra d'évaluer de façon critique l'influence des différentes variables sur les prédictions du modèle et de valider ces constats par rapport à votre compréhension actuelle de l'ensemble de données.

X, qui contient les variables explicatives, et y, qui contient les décisions d'admission, ainsi que le MLPRegressor model préentraîné, ont été chargés pour vous.

Cette activité fait partie du cours

Explainable AI en Python

Voir le cours

Instructions de l’exercice

  • Créez un SHAP Kernel Explainer en utilisant le MLPRegressor model et un sommaire k-moyennes de 10 échantillons tirés de X.
  • Générez les shap_values pour X.
  • Calculez la moyenne absolue des valeurs SHAP afin d'identifier les principaux facteurs qui influencent les admissions.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

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 MLPRegressor')
plt.xticks(rotation=45)
plt.show()
Modifier et exécuter le code