SHAP vs. model-specifieke benaderingen

Je gaat de verklarende kracht van SHAP-waarden van een Kernel Explainer vergelijken met de coëfficiënten van logistische regressie, beide getraind op de inkomensgegevensset. Een hulpfunctie plot_importances() wordt aan het einde van het script aangeroepen om importances in dezelfde grafiek te tekenen.

X met de features en y met de labels, en het logistische regressiemodel model zijn al voor je ingeladen. matplotlib.pyplot is geïmporteerd als plt.

Deze oefening maakt deel uit van de cursus

Explainable AI in Python

Cursus bekijken

Oefeninstructies

Bereken de coëfficiënten van het logistische regressiemodel model.
Maak een Kernel Explainer om shap_values te berekenen met het logistische regressiemodel model en een k-means-samenvatting van 10 steekproeven uit X.
Bereken de gemiddelde absolute SHAP-waarden om de impact van elke feature te schatten.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

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)

Code bewerken en uitvoeren