CommencerCommencer gratuitement

SHAP vs. approches spécifiques au modèle

Vous allez comparer le pouvoir explicatif des valeurs SHAP d’un Kernel Explainer avec les coefficients d’une régression logistique, tous deux entraînés sur le jeu de données des revenus. Une fonction utilitaire plot_importances() est appelée à la fin du script pour tracer les importances sur le même graphique.

X, qui contient les variables explicatives, y, qui contient les étiquettes, ainsi que le modèle de régression logistique model ont été préchargés pour vous. matplotlib.pyplot a été importé sous le nom plt.

Cet exercice fait partie du cours

IA explicable en Python

Afficher le cours

Instructions

  • Calculez les coefficients du modèle de régression logistique model.
  • Créez un Kernel Explainer pour calculer les shap_values à partir du modèle model et d’un résumé k-means de 10 échantillons issus de X.
  • Calculez la moyenne des valeurs SHAP absolues pour estimer l’impact de chaque variable.

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