CommencerCommencer gratuitement

Explication du noyau pour MLPRegressor

Étant donné que vous connaissez bien l'ensemble de données sur les admissions, vous utiliserez le Kernel Explainer de SHAP pour expliquer un MLPRegressor entraîné sur ces données. Cette méthode vous permettra d'évaluer de manière critique l'impact des différentes caractéristiques sur les prédictions du modèle et de vérifier ces informations par rapport à votre compréhension de l'ensemble de données.

X contenant les prédicteurs et y contenant les décisions d'admission, ainsi que le MLPRegressor pré-entraîné model, ont été préchargés pour vous.

Cet exercice fait partie du cours

L'IA explicable en Python

Afficher le cours

Instructions

  • Créez un SHAP Kernel Explainer en utilisant le MLPRegressor model et un résumé k-means de 10 échantillons provenant de X.
  • Générer shap_values pour X.
  • Calculez les valeurs absolues moyennes du SHAP pour identifier les facteurs clés affectant les admissions.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

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