Explainer Kernel pour MLPClassifier

Les réseaux de neurones peuvent être très précis, mais leurs décisions sont parfois difficiles à interpréter en raison de leur complexité. Vous allez maintenant utiliser le SHAP Kernel Explainer pour interpréter un MLPClassifier entraîné sur le jeu de données Adult Income. Vous explorerez laquelle des trois variables — l'âge, la scolarité ou le nombre d'heures travaillées par semaine — est la plus importante pour prédire le revenu selon ce modèle.

X, qui contient les prédicteurs, et y, qui contient les décisions d'admission, ainsi que le MLPClassifier préentraîné model, ont été préchargés pour vous.

Cette activité fait partie du cours

Explainable AI en Python

Instructions de l’exercice

Instanciez un SHAP Kernel Explainer en utilisant le MLPClassifier model et un sommaire k-means de 10 échantillons tirés de X.
Générez des shap_values pour X.
Calculez la moyenne des valeurs absolues de SHAP afin d'identifier les facteurs clés 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 MLPClassifier')
plt.xticks(rotation=45)
plt.show()

Modifier et exécuter le code

Cette activité fait partie du cours

Explainable AI en Python

SkillTag.level.intermediateSkillTag.label

4.8+

Commencer le cours gratuitement

Commencez votre parcours en explorant les concepts de base de l'Explainable AI. Apprenez à extraire des règles de décision à partir des arbres de décision. Obtenez et visualisez l'importance des caractéristiques avec des modèles linéaires et des modèles fondés sur des arbres pour comprendre comment ces modèles effectuent leurs prédictions, ce qui permet une prise de décision plus transparente.

Exercise 1: Introduction à l'IA explicable Exercise 2: Arbres de décision vs réseaux de neurones Exercise 3: Explicabilité indépendante du modèle vs propre au modèle Exercise 4: Explicabilité dans les modèles linéaires Exercise 5: Calculer l'impact des caractéristiques avec la régression linéaire Exercise 6: Calculer l'impact des variables avec la régression logistique Exercise 7: Explicabilité dans les modèles fondés sur des arbres Exercise 8: Calculer l'importance des caractéristiques avec les arbres de décision Exercise 9: Calcul de l'importance des caractéristiques avec les forêts aléatoires

Exploitez la puissance de techniques indépendantes du modèle pour mesurer l'influence des caractéristiques dans divers modèles. Utilisez l'importance par permutation et les valeurs SHAP pour analyser l'effet des caractéristiques sur le comportement du modèle. Explorez les outils de visualisation SHAP pour rendre les concepts d'explicabilité plus accessibles.

Exercise 1: Importance par permutation Exercise 2: Importance par permutation pour MLPClassifier Exercise 3: Coefficients vs. importance par permutation Exercise 4: Explicabilité SHAP Exercise 5: Repérer les principaux prédicteurs des frais médicaux avec SHAP Exercise 6: Repérer les principaux prédicteurs de maladies cardiaques avec SHAP Exercise 7: Explainer SHAP à noyau Exercise 8: Kernel explainer pour MLPRegressor Exercise 9: Explainer Kernel pour MLPClassifier

Exercice en cours

Exercise 10: SHAP vs approches propres au modèle Exercise 11: Visualiser l'explicabilité avec SHAP Exercise 12: Graphiques d'importance des variables pour l'analyse des admissions Exercise 13: Analyser les effets des caractéristiques avec des diagrammes en essaim Exercise 14: Évaluer l'impact avec des graphiques de dépendance partielle

Plongez dans l'explicabilité locale et expliquez des prédictions individuelles. Apprenez à tirer parti de SHAP pour l'explicabilité locale. Maîtrisez LIME afin de révéler les facteurs précis qui influencent un résultat unique, qu'il s'agisse de données textuelles, tabulaires ou d'images.

Exercise 1: Explicabilité locale avec SHAP Exercise 2: Explicabilité globale vs locale Exercise 3: SHAP pour expliquer les niveaux de revenu Exercise 4: Explicabilité locale avec LIME Exercise 5: Interpréter localement des régressseurs Exercise 6: Interpréter localement les classificateurs Exercise 7: Explicabilité des textes et des images avec LIME Exercise 8: Expliquer les prédictions d'analyse de sentiment Exercise 9: Expliquer les prédictions sur des images d'aliments

Explorez des sujets avancés en Explainable AI en évaluant le comportement des modèles et l'efficacité des méthodes d'explication. Développez votre aisance à évaluer la constance et la fidélité des explications, examinez l'analyse de modèles non supervisés et apprenez à clarifier les raisonnements des modèles d'IA générative comme ChatGPT. Dotez-vous de techniques pour mesurer et améliorer l'explicabilité dans des systèmes d'IA complexes.

Exercise 1: Mesures d'explicabilité Exercise 2: Évaluer la constance des explications SHAP Exercise 3: Évaluer la fidélité avec LIME Exercise 4: Expliquer les modèles non supervisés Exercise 5: Impact des caractéristiques sur la qualité des groupes Exercise 6: Importance des caractéristiques en regroupement avec l'ARI Exercise 7: Expliquer les modèles d'IA générative basés sur le clavardage Exercise 8: Chaîne de raisonnement pour découvrir la logique Exercise 9: Autocohérence pour évaluer la confiance Exercise 10: Félicitations