CommencerCommencez gratuitement

Explainer Kernel pour MLPRegressor

Étant donné votre connaissance du jeu de données d’admissions, vous allez utiliser le Kernel Explainer de SHAP pour expliquer un MLPRegressor entraîné sur ces données. Cette méthode vous permettra d’évaluer de façon critique l’impact des différentes variables sur les prédictions du modèle et de confronter ces observations à votre compréhension actuelle du jeu de données.

X, qui contient les variables explicatives, et y, qui contient les décisions d’admission, ainsi que le MLPRegressor model déjà entraîné, ont été préchargés pour vous.

Cet exercice fait partie du cours

<cours>IA explicable en Python</cours>
Voir le cours

Instructions de l’exercice

  • Créez un SHAP Kernel Explainer en utilisant le MLPRegressor model et un résumé k-means de 10 échantillons de X.
  • Générez les shap_values pour X.
  • Calculez la valeur absolue moyenne des valeurs SHAP afin d’identifier les principaux facteurs influençant les admissions.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

import shap

# Create a SHAP Kernel 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 MLPRegressor')
plt.xticks(rotation=45)
plt.show()
Modifier et exécuter le code