Kernel Explainer per MLPClassifier
Le reti neurali possono essere molto accurate, ma capire le loro decisioni può essere difficile a causa della complessità. Ora userai lo SHAP Kernel Explainer per interpretare un MLPClassifier addestrato sul dataset adult income. Esplorerai quale tra tre caratteristiche — età, istruzione o ore lavorate a settimana — è la più importante per prevedere il reddito secondo questo modello.
X, che contiene i predittori, e y, che contiene le decisioni di ammissione, insieme all'MLPClassifier pre-addestrato model, sono già stati caricati per te.
Questo esercizio fa parte del corso
Explainable AI in Python
Istruzioni dell'esercizio
- Istanzia uno SHAP Kernel Explainer usando il
modelMLPClassifier e un riepilogo k-means di 10 campioni daX. - Genera gli
shap_valuesperX. - Calcola i valori SHAP assoluti medi per individuare 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 MLPClassifier')
plt.xticks(rotation=45)
plt.show()