Évaluation de la cohérence des explications du SHAP

Évaluez la cohérence des explications relatives à l'importance des caractéristiques à l'aide des valeurs SHAP dans deux sous-ensembles différents de l'ensemble de données d'assurance.

Les sous-ensembles X1, X2, y1 et y2 ont été préchargés pour vous, ainsi que model1 formé sur le premier sous-ensemble et model2 formé sur le deuxième sous-ensemble.

Cet exercice fait partie du cours

L'IA explicable en Python

Afficher le cours

Instructions

Calculez shap_values1 et feature_importance1 pour model1.
Calculez shap_values2 et feature_importance2 pour model2.
Calculez consistency entre les importances des caractéristiques.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Calculate SHAP values and feature importance for model1
explainer1 = shap.TreeExplainer(model1)
shap_values1 = ____
feature_importance1 = ____

# Calculate SHAP values and feature importance for model2
explainer2 = shap.TreeExplainer(model2)
shap_values2 = ___
feature_importance2 =____

# Consistency calculation
consistency = ____
print("Consistency between SHAP values:", consistency)

Modifier et exécuter le code

Cet exercice fait partie du cours

L'IA explicable en Python

IntermédiaireNiveau de compétence

4.8+

Commencer le cours gratuitement

Commencez votre voyage en explorant les concepts fondamentaux de l'IA explicable. Apprenez à extraire des règles de décision à partir d'arbres de décision. Dérivez et visualisez l'importance des caractéristiques à l'aide de modèles linéaires et arborescents afin de mieux comprendre comment ces modèles font des prédictions, ce qui permet une prise de décision plus transparente.

Exercise 1: Introduction à l'IA explicable Exercise 2: Arbres de décision et réseaux neuronaux Exercise 3: Explicabilité agnostique ou spécifique au modèle Exercise 4: Explicabilité des modèles linéaires Exercise 5: Calcul de l'impact des caractéristiques par régression linéaire Exercise 6: Calcul de l'impact des caractéristiques avec la régression logistique Exercise 7: Explicabilité des modèles arborescents Exercise 8: Calcul de l'importance des caractéristiques à l'aide d'arbres de décision Exercise 9: Calcul de l'importance des caractéristiques avec les forêts aléatoires

Exploitez la puissance des techniques agnostiques pour discerner l'influence des caractéristiques sur les différents modèles. Utilisez l'importance de la permutation et les valeurs SHAP pour analyser l'impact des caractéristiques sur le comportement du modèle. Explorez les outils de visualisation SHAP pour rendre les concepts d'explicabilité plus compréhensibles.

Exercise 1: Importance de la permutation Exercise 2: Importance de la permutation pour MLPClassifier Exercise 3: Coefficients et importance de la permutation Exercise 4: Explicabilité du SHAP Exercise 5: Trouver des prédicteurs clés des frais médicaux avec SHAP Exercise 6: Trouver des prédicteurs clés des maladies cardiaques avec SHAP Exercise 7: Explication du noyau SHAP Exercise 8: Explication du noyau pour MLPRegressor Exercise 9: Explication du noyau pour MLPClassifier Exercise 10: Approches SHAP ou spécifiques à un modèle Exercise 11: Visualiser la capacité d'explication du SHAP Exercise 12: Graphiques d'importance des caractéristiques pour l'analyse des admissions Exercise 13: Analyse des effets des caractéristiques à l'aide de graphiques en forme d'essaim d'abeilles Exercise 14: Évaluation de l'impact à l'aide de graphiques de dépendance partielle

Examinez les possibilités d'explication au niveau local et expliquez les prédictions individuelles. Apprenez à tirer parti de SHAP pour expliquer votre situation au niveau local. Maîtrisez LIME pour révéler les facteurs spécifiques qui influencent les résultats individuels, qu'il s'agisse de données textuelles, tabulaires ou d'images.

Exercise 1: Explicabilité locale avec SHAP Exercise 2: Explicabilité globale ou locale Exercise 3: SHAP pour expliquer les niveaux de revenus Exercise 4: Explicabilité locale avec LIME Exercise 5: Interprétation locale des régresseurs Exercise 6: Interprétation locale des classificateurs Exercise 7: Explicabilité des textes et des images avec LIME Exercise 8: Expliquer les prédictions de l'analyse des sentiments Exercise 9: Explication des prédictions relatives à l'image des aliments

Explorez les sujets avancés de l'IA explicable en évaluant les comportements des modèles et l'efficacité des méthodes d'explication. Maîtrisez l'évaluation de la cohérence et de la fidélité des explications, plongez dans l'analyse de modèles non supervisés et apprenez à clarifier les processus de raisonnement des modèles d'IA génératifs tels que le ChatGPT. Equipez-vous de techniques pour mesurer et améliorer l'explicabilité dans les systèmes complexes d'intelligence artificielle.

Exercise 1: Mesures d'explicabilité Exercise 2: Évaluation de la cohérence des explications du SHAP

Exercice en cours

Exercise 3: Évaluer la fidélité avec LIME Exercise 4: Expliquer les modèles non supervisés Exercise 5: Impact des caractéristiques sur la qualité des grappes Exercise 6: Importance des caractéristiques dans le regroupement avec ARI Exercise 7: Expliquer les modèles d'IA générative basés sur le chat Exercise 8: Chaîne de pensée pour découvrir le raisonnement Exercise 9: La cohérence de soi pour évaluer la confiance en soi Exercise 10: Félicitations