Mulai sekarangMulai gratis

Kernel explainer untuk MLPClassifier

Neural network dapat sangat akurat, tetapi memahami keputusannya bisa menantang karena kompleksitasnya. Sekarang, Anda akan memanfaatkan SHAP Kernel Explainer untuk menginterpretasikan MLPClassifier yang dilatih pada himpunan data pendapatan dewasa. Anda akan menelusuri fitur mana di antara tiga fitur—usia, pendidikan, atau jam kerja per minggu—yang paling penting untuk memprediksi pendapatan menurut model ini.

X yang berisi prediktor dan y yang berisi keputusan penerimaan, bersama dengan MLPClassifier model yang sudah dilatih, telah dimuat untuk Anda.

Latihan ini merupakan bagian dari kursus

Explainable AI in Python

Lihat Kursus

Instruksi latihan

  • Instansiasikan SHAP Kernel Explainer dengan menggunakan MLPClassifier model dan ringkasan k-means berisi 10 sampel dari X.
  • Hasilkan shap_values untuk X.
  • Hitung nilai absolut SHAP rata-rata untuk mengidentifikasi faktor kunci yang memengaruhi penerimaan.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

import shap

# Create a SHAP Kernel Explainer
explainer = ____

# Calculate SHAP values
shap_values = ____

# Calculate mean absolute SHAP values
mean_abs_shap = ____

plt.bar(X.columns, mean_abs_shap)
plt.title('Mean Absolute SHAP Values for MLPClassifier')
plt.xticks(rotation=45)
plt.show()
Edit dan Jalankan Kode