CommencerCommencer gratuitement

Explication du noyau pour MLPClassifier

Les réseaux neuronaux peuvent être très précis, mais la compréhension de leurs décisions peut s'avérer difficile en raison de leur complexité. Vous allez maintenant utiliser le SHAP Kernel Explainer pour interpréter un MLPClassifier formé sur l'ensemble de données des revenus des adultes. Vous étudierez laquelle des trois caractéristiques - l'âge, le niveau d'études ou le nombre d'heures travaillées par semaine - est la plus importante pour prédire le revenu selon ce modèle.

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

Cet exercice fait partie du cours

L'IA explicable en Python

Afficher le cours

Instructions

  • Instanciez un SHAP Kernel Explainer en utilisant le MLPClassifier 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 MLPClassifier')
plt.xticks(rotation=45)
plt.show()
Modifier et exécuter le code