Kernel explainer per MLPRegressor
Dato che conosci già l'insieme di dati sulle ammissioni, userai il Kernel Explainer di SHAP per spiegare un MLPRegressor addestrato su questi dati. Questo metodo ti permetterà di valutare in modo critico come le diverse feature influenzano le predizioni del modello e di confrontare questi risultati con la tua comprensione attuale del dataset.
X, che contiene i predittori, e y, che contiene le decisioni di ammissione, insieme al MLPRegressor model già addestrato, sono stati precaricati per te.
Questo esercizio fa parte del corso
Explainable AI in Python
Istruzioni dell'esercizio
- Crea un SHAP Kernel Explainer usando il MLPRegressor
modele un riepilogo k-means di 10 campioni daX. - Genera i
shap_valuesperX. - Calcola i valori SHAP assoluti medi per identificare i fattori chiave che influenzano le ammissioni.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
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 MLPRegressor')
plt.xticks(rotation=45)
plt.show()