SHAP vs. approcci specifici del modello
Metterai a confronto il potere esplicativo dei valori SHAP di un Kernel Explainer con i coefficienti della regressione logistica, entrambi addestrati sul dataset dei redditi. Alla fine dello script viene chiamata una funzione di supporto plot_importances() per tracciare le importanze sullo stesso grafico.
X, che contiene le feature, y, che contiene le etichette, e il model di regressione logistica sono già stati caricati per te. matplotlib.pyplot è stato importato come plt.
Questo esercizio fa parte del corso
Explainable AI in Python
Istruzioni dell'esercizio
- Calcola i coefficienti del
modeldi regressione logistica. - Crea un Kernel Explainer per calcolare gli
shap_valuesusando ilmodeldi regressione logistica e un riassunto k-means di 10 campioni daX. - Calcola il valore assoluto medio dei valori SHAP per stimare l'impatto di ciascuna feature.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
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)