Menilai dampak dengan partial dependence plot
Meneruskan kontribusi Anda sebelumnya, tugas Anda berikutnya adalah mengeksplorasi bagaimana 'CGPA' dan 'University Rating' memengaruhi keputusan penerimaan. Analisis kita sebelumnya menunjukkan bahwa 'CGPA' adalah prediktor yang paling penting, sedangkan 'University Rating' adalah yang paling tidak penting. Dengan menggunakan partial dependence plot, kita dapat melihat bagaimana perubahan pada fitur-fitur ini memengaruhi probabilitas penerimaan, sehingga memberi panitia penerimaan wawasan yang lebih bernuansa tentang dampaknya.
X_train dan y_train telah dimuat sebelumnya untuk Anda.
Latihan ini merupakan bagian dari kursus
Explainable AI in Python
Latihan interaktif langsung praktik
Cobalah latihan ini dengan melengkapi kode contoh ini.
from sklearn.ensemble import RandomForestRegressor
import shap
model = RandomForestRegressor(random_state=42)
model.fit(X_train, y_train)
# Generate the partial dependence plot for CGPA
shap.partial_dependence_plot(____, ____, X_train)