始める無料で始める

SHAP とモデル固有手法の比較

Kernel Explainer から得られる SHAP 値の説明力を、同じく所得データセットで学習したロジスティック回帰の係数と比較します。スクリプトの最後で呼び出される補助関数 plot_importances() は、同じ図上に重要度を描画します。

特徴量を含む X、ラベルを含む y、およびロジスティック回帰の model はすでに読み込まれています。matplotlib.pyplot は plt としてインポート済みです。

この演習はコースの一部です

Pythonで学ぶExplainable AI

コースを見る

演習の手順

  • ロジスティック回帰 model の係数を計算します。
  • ロジスティック回帰 model と、X からの 10 サンプルによる k-means サマリーを用いて Kernel Explainer を作成し、shap_values を計算します。
  • 各特徴量の影響度を見積もるため、SHAP 値の絶対値の平均を計算します。

実践的なインタラクティブ演習

このサンプルコードを完成させて、この演習に挑戦してみましょう。

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)
コードを編集して実行