एडमिशन विश्लेषण के लिए फीचर इम्पॉर्टेंस प्लॉट्स
एक विश्वविद्यालय की डेटा साइंस टीम के हिस्से के रूप में, आपका कार्य यह आकलन करना है कि कौन से कारक वास्तव में एडमिशन के फैसलों को संचालित करते हैं और कौन से कम महत्वपूर्ण हैं। एडमिशन कमिटी जानती है कि CGPA की बड़ी भूमिका है, लेकिन वे इसे पुख्ता करना चाहती है और ऐसे अन्य महत्वपूर्ण फैक्टर्स भी पहचानना चाहती है जो नतीजों को प्रभावित कर सकते हैं। RandomForestRegressor model का उपयोग करके, आप फीचर इम्पॉर्टेंस विज़ुअलाइज़ करेंगे ताकि स्पष्ट हो सके कि आवेदकों की प्रोफाइल के कौन से पहलू सबसे अधिक मायने रखते हैं और किनका निर्णय प्रक्रिया पर कम प्रभाव है।
shap लाइब्रेरी और प्रशिक्षण डेटा (X_train, y_train) आपके लिए पहले से लोड हैं.
यह अभ्यास पाठ्यक्रम का हिस्सा है
Python में Explainable AI
अभ्यास निर्देश
TreeExplainerका उपयोग करकेshap_valuesनिकालें.- प्राप्त
shap_valuesसे बार प्लॉट द्वारा फीचर इम्पॉर्टेंस प्लॉट करें और उसका विश्लेषण करें.
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
model = RandomForestRegressor(random_state=42)
model.fit(X_train, y_train)
# Derive shap values
explainer = ____
shap_values = ____
# Plot the feature importance plot
____