Belangrijkste voorspellers van medische kosten vinden met SHAP

SHAP-waarden geven verhelderende uitleg bij voorspellingen van Machine Learning-modellen. Je gaat SHAP gebruiken om te achterhalen hoe verschillende features in een RandomForestRegressor-model bijdragen aan het voorspellen van verzekeringskosten.

X met de predictor-features en y met de verzekeringskosten, samen met het RandomForest-regressor-model, zijn al voor je geladen.

Let op: het kan even duren voordat de code klaar is met draaien.

Deze oefening maakt deel uit van de cursus

Explainable AI in Python

Cursus bekijken

Oefeninstructies

Initialiseer een SHAP tree-explainer met de naam explainer voor het RandomForest-model.
Bereken shap_values voor de gegevensset.
Bereken de gemiddelde absolute SHAP-waarden om de meest invloedrijke features te vinden.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

import shap

# Create a SHAP Tree 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 RandomForest')
plt.xticks(rotation=45)
plt.show()

Code bewerken en uitvoeren