Valutare l'impatto con i partial dependence plot
Sulla scia dei tuoi progressi precedenti, il prossimo compito è esplorare come "CGPA" e "University Rating" influenzano le decisioni di ammissione. Dalle analisi precedenti è emerso che "CGPA" è il predittore più importante, mentre "University Rating" è il meno importante. Con un partial dependence plot possiamo osservare come le variazioni di queste caratteristiche incidono sulla probabilità di ammissione, offrendo alla commissione di ammissione indicazioni più sfumate sul loro impatto.
X_train e y_train sono già stati caricati per te.
Questo esercizio fa parte del corso
Explainable AI in Python
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
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)