शुरू करेंमुफ़्त में शुरू करें

SHAP बनाम मॉडल-विशिष्ट तरीके

आप Kernel Explainer से निकले SHAP values की व्याख्यात्मक क्षमता की तुलना लॉजिस्टिक रिग्रेशन के coefficients से करेंगे, दोनों को income डेटासेट पर train किया गया है. स्क्रिप्ट के अंत में एक helper फंक्शन plot_importances() कॉल किया गया है, जो एक ही प्लॉट पर importances दिखाता है.

X (जिसमें features हैं) और y (जिसमें labels हैं), साथ ही लॉजिस्टिक रिग्रेशन model, आपके लिए पहले से लोड हैं. matplotlib.pyplot को plt के रूप में इम्पोर्ट किया जा चुका है.

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में Explainable AI

पाठ्यक्रम देखें

अभ्यास निर्देश

  • लॉजिस्टिक रिग्रेशन model के coefficients compute करें.
  • लॉजिस्टिक रिग्रेशन model और X से k-means summary के 10 samples का उपयोग करके Kernel Explainer बनाएँ ताकि shap_values compute किए जा सकें.
  • हर फीचर के प्रभाव का अनुमान लगाने के लिए mean absolute SHAP values compute करें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

import shap

# Extract model coefficients
coefficients = ____

# Compute SHAP values
explainer = ____
shap_values = explainer.shap_values(X)

# Calculate mean absolute SHAP values
mean_abs_shap = ____

plot_importances(coefficients, mean_abs_shap)
कोड संपादित करें और चलाएँ