Kernel-explainer voor MLPRegressor
Gezien je bekendheid met de admissions-gegevensset ga je SHAP's Kernel Explainer gebruiken om een MLPRegressor die op deze data is getraind te verklaren. Met deze methode kun je kritisch beoordelen hoe verschillende features de voorspellingen van het model beïnvloeden en deze inzichten toetsen aan je bestaande begrip van de gegevensset.
X met de voorspellers en y met de toelatingsbeslissingen, samen met de voorgetrainde MLPRegressor model, zijn al voor je geladen.
Deze oefening maakt deel uit van de cursus
Explainable AI in Python
Oefeninstructies
- Maak een SHAP Kernel Explainer met het MLPRegressor-
modelen een k-means-samenvatting van 10 rijen uitX. - Genereer
shap_valuesvoorX. - Bereken de gemiddelde absolute SHAP-waarden om de belangrijkste factoren voor toelating te identificeren.
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
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 MLPRegressor')
plt.xticks(rotation=45)
plt.show()