CommencerCommencer gratuitement

Approches SHAP ou spécifiques à un modèle

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

X contenant les caractéristiques et y contenant les étiquettes, et la régression logistique model ont été préchargés pour vous. matplotlib.pyplot a été importé en tant que plt.

Cet exercice fait partie du cours

L'IA explicable en Python

Afficher le cours

Instructions

  • Calculez les coefficients de la régression logistique model.
  • Créez Kernel Explainer pour calculer shap_values à l'aide de la régression logistique model et d'un résumé k-means de 10 échantillons provenant de X.
  • Calculez les valeurs absolues moyennes de SHAP pour estimer l'impact de chaque caractéristique.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

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