CommencerCommencer gratuitement

Trouver des prédicteurs clés des frais médicaux avec SHAP

Les valeurs SHAP fournissent des explications pertinentes pour les prédictions faites par les modèles d'apprentissage automatique. Vous allez maintenant utiliser SHAP pour déchiffrer l'influence des différentes caractéristiques d'un RandomForestRegressor model sur la prédiction des frais d'assurance.

X avec les caractéristiques du prédicteur et y avec les frais d'assurance, ainsi que le régresseur RandomForest model, ont été préchargés pour vous.

Veuillez noter que l'exécution du code peut prendre un certain temps.

Cet exercice fait partie du cours

L'IA explicable en Python

Afficher le cours

Instructions

  • Initialiser un explicateur d'arbre SHAP nommé explainer pour le RandomForest model.
  • Calculez shap_values pour l'ensemble des données.
  • Calculez les valeurs absolues moyennes de SHAP pour identifier les caractéristiques les plus influentes.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

import shap

# Create a SHAP Tree Explainer
explainer = ____

# Calculate SHAP values
shap_values = ____

# Calculate mean absolute SHAP values
mean_abs_shap = ____

plt.bar(X.columns, mean_abs_shap)
plt.title('Mean Absolute SHAP Values for RandomForest')
plt.xticks(rotation=45)
plt.show()
Modifier et exécuter le code