Menganalisis pengaruh fitur dengan plot beeswarm

Melanjutkan peran Anda sebagai data scientist di universitas, kini Anda berfokus pada analisis yang lebih mendalam atas pengaruh tiap fitur terhadap hasil penerimaan. Menemukan faktor kunci yang memengaruhi keputusan penerimaan memang penting, tetapi pendalaman ini memungkinkan kita memahami bagaimana variasi faktor-faktor tersebut secara spesifik memengaruhi prediksi. Wawasan tambahan ini akan membantu menjawab pertanyaan seperti bagaimana perubahan skor tes atau CGPA memengaruhi peluang diterima, sehingga memberikan gambaran yang lebih jelas untuk pengambilan keputusan dan rekomendasi kebijakan yang lebih tepat.

Pustaka shap dan data pelatihan (X_train, y_train) telah dimuat untuk Anda.

Latihan ini merupakan bagian dari kursus

Explainable AI in Python

Instruksi latihan

Peroleh shap_values menggunakan TreeExplainer.
Gunakan shap_values yang diperoleh untuk membuat plot beeswarm dan menganalisisnya.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

model = RandomForestRegressor(random_state=42)
model.fit(X_train, y_train)

# Derive shap values
explainer = ____
shap_values = ____

# Plot the beeswarm plot
____

Edit dan Jalankan Kode

Latihan ini merupakan bagian dari kursus

Explainable AI in Python

SkillTag.level.intermediateSkillTag.label

4.8+

Mulai Kursus Gratis

Mulailah perjalanan Anda dengan mengeksplorasi konsep dasar Explainable AI. Pelajari cara mengekstrak aturan keputusan dari decision tree. Turunkan dan visualisasikan pentingnya fitur menggunakan model linear dan berbasis pohon untuk memperoleh wawasan tentang bagaimana model membuat prediksi, sehingga memungkinkan pengambilan keputusan yang lebih transparan.

Exercise 1: Pengantar Explainable AI Exercise 2: Pohon keputusan vs. jaringan saraf Exercise 3: Keterjelasan model-agnostic vs. model-specific Exercise 4: Keterjelasan pada model linear Exercise 5: Menghitung dampak fitur dengan regresi linear Exercise 6: Menghitung dampak fitur dengan logistic regression Exercise 7: Keterjelasan pada model berbasis pohon Exercise 8: Menghitung feature importance dengan decision tree Exercise 9: Menghitung feature importance dengan random forests

Manfaatkan teknik agnostik model untuk mengungkap pengaruh fitur di berbagai model. Gunakan permutation importance dan nilai SHAP untuk menganalisis bagaimana fitur memengaruhi perilaku model. Jelajahi alat visualisasi SHAP untuk memudahkan pemahaman konsep explainability.

Exercise 1: Pentingnya permutasi Exercise 2: Permutation importance untuk MLPClassifier Exercise 3: Koefisien vs. permutation importance Exercise 4: Penjelasan dengan SHAP Exercise 5: Menemukan prediktor utama biaya medis dengan SHAP Exercise 6: Menemukan prediktor utama penyakit jantung dengan SHAP Exercise 7: Penjelas kernel SHAP Exercise 8: Kernel explainer untuk MLPRegressor Exercise 9: Kernel explainer untuk MLPClassifier Exercise 10: SHAP vs. pendekatan spesifik model Exercise 11: Memvisualisasikan keterjelasan SHAP Exercise 12: Plot Feature Importance untuk analisis penerimaan Exercise 13: Menganalisis pengaruh fitur dengan plot beeswarm

Latihan Saat Ini

Exercise 14: Menilai dampak dengan partial dependence plot

Dalami explainability lokal, dan jelaskan prediksi individual. Pelajari cara memanfaatkan SHAP untuk explainability lokal. Kuasai LIME untuk mengungkap faktor spesifik yang memengaruhi satu hasil, baik melalui data teks, tabular, maupun gambar.

Exercise 1: Keterjelasan lokal dengan SHAP Exercise 2: Penjelasan global vs. lokal Exercise 3: SHAP untuk menjelaskan tingkat pendapatan Exercise 4: Penjelasan lokal dengan LIME Exercise 5: Menafsirkan regressor secara lokal Exercise 6: Menafsirkan classifier secara lokal Exercise 7: Keterjelasan teks dan gambar dengan LIME Exercise 8: Menjelaskan prediksi analisis sentimen Exercise 9: Menjelaskan prediksi gambar makanan

Jelajahi topik lanjutan dalam Explainable AI dengan menilai perilaku model dan efektivitas metode penjelasan. Kuasai cara mengevaluasi konsistensi dan kesetiaan penjelasan, telusuri analisis model tanpa supervisi, dan pelajari cara memperjelas proses penalaran model AI generatif seperti ChatGPT. Lengkapi diri Anda dengan teknik untuk mengukur dan meningkatkan explainability dalam sistem AI yang kompleks.

Exercise 1: Metrik keterjelasan Exercise 2: Mengevaluasi konsistensi penjelasan SHAP Exercise 3: Mengevaluasi faithfulness dengan LIME Exercise 4: Menjelaskan model tanpa supervisi Exercise 5: Dampak fitur pada kualitas klaster Exercise 6: Kepentingan fitur dalam pengelompokan dengan ARI Exercise 7: Menjelaskan model AI generatif berbasis chat Exercise 8: Chain-of-thought untuk menemukan penalaran Exercise 9: Self-consistency untuk menilai keyakinan Exercise 10: Selamat