Impact beoordelen met partial dependence-plots
Voortbouwend op je eerdere bijdragen, ga je nu onderzoeken hoe 'CGPA' en 'University Rating' toelatingsbeslissingen beïnvloeden. Uit onze eerdere analyse bleek dat 'CGPA' de belangrijkste voorspeller is, terwijl 'University Rating' de minst belangrijke is. Met een partial dependence-plot kunnen we zien hoe veranderingen in deze features de toelatingskans beïnvloeden, wat de toelatingscommissie genuanceerde inzichten geeft in hun impact.
X_train en y_train zijn al voor je ingeladen.
Deze oefening maakt deel uit van de cursus
Explainable AI in Python
Interactieve oefening met praktijkervaring
Probeer deze oefening door deze voorbeeldcode aan te vullen.
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)