Grafici di Feature Importance per l'analisi delle ammissioni
Come membro del team di data science di un'università, il tuo compito è valutare quali fattori guidano davvero le decisioni di ammissione e quali sono meno importanti. La commissione sa che il CGPA ha un ruolo chiave, ma vuole confermarlo e scoprire eventuali altri fattori rilevanti che possono influenzare gli esiti. Usando un model di tipo RandomForestRegressor, visualizzerai la feature importance per identificare chiaramente quali aspetti dei profili dei candidati contano di più e quali hanno un impatto minore sul processo decisionale.
La libreria shap e i dati di training (X_train, y_train) sono già stati caricati per te.
Questo esercizio fa parte del corso
Explainable AI in Python
Istruzioni dell'esercizio
- Ricava i
shap_valuesusando unTreeExplainer. - Usa i
shap_valuesottenuti per tracciare le importanze delle feature con un grafico a barre e analizzale.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
model = RandomForestRegressor(random_state=42)
model.fit(X_train, y_train)
# Derive shap values
explainer = ____
shap_values = ____
# Plot the feature importance plot
____