SHAP a podejścia specyficzne dla modelu
Porównasz siłę wyjaśniania wartości SHAP z Kernel Explainera ze współczynnikami regresji logistycznej – oba modele wytrenowane na zbiorze danych o dochodach. Na końcu skryptu wywoływana jest funkcja pomocnicza plot_importances(), która nanosi ważności cech na jeden wykres.
Zmienna X zawierająca cechy, y zawierająca etykiety oraz model regresji logistycznej model zostały wcześniej załadowane. Biblioteka matplotlib.pyplot została zaimportowana jako plt.
To ćwiczenie jest częścią kursu
Wyjaśnialne AI w Pythonie
Instrukcje do ćwiczenia
- Oblicz współczynniki modelu regresji logistycznej
model. - Utwórz Kernel Explainer, aby wyznaczyć
shap_values– użyj modelu regresji logistycznejmodeloraz podsumowania k-średnich złożonego z 10 próbek ze zbioruX. - Oblicz średnie bezwzględne wartości SHAP, aby oszacować wpływ każdej cechy.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
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)