Coefficients vs. permutation importance

Vous allez maintenant comparer les tendances mises en évidence par la permutation importance avec les coefficients du modèle d’une régression logistique entraînée sur le jeu de données des maladies cardiaques. Une fonction utilitaire plot_importances() est appelée à la fin du script pour tracer les importances sur le même graphique.

X contenant les variables et y contenant 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 model de régression logistique.
Calculez la permutation importance avec 20 répétitions en utilisant random_state à 1.
Calculez l’importance moyenne par permutation sur l’ensemble des répétitions.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

from sklearn.inspection import permutation_importance

# Extract and store model coefficients
coefficients = ____

# Compute permutation importance on the test set
perm_importance = ____

# Compute the average permutation importance
avg_perm_importance = ____

plot_importances(coefficients, avg_perm_importance)

Modifier et exécuter le code

Cet exercice fait partie du cours

IA explicable en Python

IntermédiaireNiveau de compétence

4.8+

Commencer le cours gratuitement

Commencez votre parcours en explorant les concepts fondamentaux de l’IA explicable. Apprenez à extraire des règles de décision à partir des arbres de décision. Déduisez et visualisez l’importance des variables avec des modèles linéaires et basés sur des arbres pour comprendre comment ces modèles font leurs prédictions, et ainsi favoriser des décisions plus transparentes.

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

Exploitez la puissance des techniques indépendantes du modèle pour évaluer l’influence des variables à travers différents modèles. Utilisez l’importance par permutation et les valeurs SHAP pour analyser l’impact des variables 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: Permutation importance pour MLPClassifier Exercise 3: Coefficients vs. permutation importance

Exercice en cours

Exercise 4: Explicabilité avec SHAP Exercise 5: Identifier les principaux prédicteurs des frais médicaux avec SHAP Exercise 6: Identifier les principaux prédicteurs des maladies cardiaques avec SHAP Exercise 7: Explainer SHAP Kernel Exercise 8: Explainer Kernel pour MLPRegressor Exercise 9: Explainer Kernel pour MLPClassifier Exercise 10: SHAP vs. approches spécifiques au modèle Exercise 11: Visualiser l’explicabilité SHAP Exercise 12: Graphiques d’importance des variables pour l’analyse des admissions Exercise 13: Analyser les effets des variables avec des beeswarm plots Exercise 14: Évaluer l’impact avec les courbes de dépendance partielle

Plongez dans l’explicabilité locale et expliquez des prédictions individuelles. Apprenez à utiliser SHAP pour l’explicabilité locale. Maîtrisez LIME afin de révéler les facteurs précis qui influencent un résultat unique, que les données soient textuelles, tabulaires ou sous forme 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 classifieurs Exercise 7: Explicabilité des textes et des images avec LIME Exercise 8: Expliquer des prédictions d’analyse de sentiment Exercise 9: Expliquer des prédictions d’images d’aliments

Explorez des sujets avancés en IA explicable en évaluant le comportement des modèles et l’efficacité des méthodes d’explication. Développez votre maîtrise de l’évaluation de la cohérence et de la fidélité des explications, étudiez l’analyse de modèles non supervisés, et apprenez à clarifier les raisonnements de modèles génératifs conversationnels 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 cohérence des explications SHAP Exercise 3: Évaluer la fidélité avec LIME Exercise 4: Expliquer les modèles non supervisés Exercise 5: Impact des variables sur la qualité des clusters Exercise 6: Importance des caractéristiques dans le clustering avec l’ARI Exercise 7: Expliquer les modèles d’IA générative conversationnelle Exercise 8: Chain-of-thought pour dévoiler le raisonnement Exercise 9: Auto-cohérence pour évaluer la confiance Exercise 10: Félicitations