Graphiques d'importance des caractéristiques pour l'analyse des admissions

En tant que membre de l'équipe de science des données d'une université, votre tâche consiste à évaluer les facteurs qui déterminent réellement les décisions d'admission et ceux qui sont moins importants. Si le comité d'admission sait que la moyenne générale joue un rôle clé, il souhaite le confirmer et découvrir d'autres facteurs importants susceptibles d'influencer les résultats. À l'aide d'un RandomForestRegressor model, vous visualiserez l'importance des caractéristiques afin d'identifier clairement les aspects des profils des candidats qui comptent le plus et ceux qui ont le moins d'impact sur le processus de décision.

La bibliothèque shap et les données d'apprentissage (X_train, y_train) ont été préchargées pour vous.

Cet exercice fait partie du cours

L'IA explicable en Python

Afficher le cours

Instructions

Dérivez le site shap_values à l'aide d'un TreeExplainer.
Utilisez le site shap_values dérivé pour tracer les importances d'éléments à l'aide d'un diagramme à barres et analysez-le.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

model = RandomForestRegressor(random_state=42)
model.fit(X_train, y_train)

# Derive shap values
explainer = ____
shap_values = ____

# Plot the feature importance plot
____

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

Exercice en cours

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 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