Mulai sekarangMulai gratis

SHAP vs. pendekatan spesifik model

Anda akan membandingkan kekuatan penjelasan nilai SHAP dari Kernel Explainer dengan koefisien regresi logistik, keduanya dilatih pada himpunan data pendapatan. Fungsi bantu plot_importances() dipanggil di akhir skrip untuk memplot tingkat kepentingan dalam plot yang sama.

X yang berisi fitur dan y yang berisi label, serta model regresi logistik, telah dimuatkan untuk Anda. matplotlib.pyplot telah diimpor sebagai plt.

Latihan ini merupakan bagian dari kursus

Explainable AI in Python

Lihat Kursus

Instruksi latihan

  • Hitung koefisien dari model regresi logistik.
  • Buat Kernel Explainer untuk menghitung shap_values menggunakan model regresi logistik dan ringkasan k-means dari 10 sampel dari X.
  • Hitung nilai SHAP absolut rata-rata untuk memperkirakan dampak setiap fitur.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

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)
Edit dan Jalankan Kode