Wykresy ważności cech w analizie przyjęć na studia
Jako członek zespołu data science na uczelni masz za zadanie ocenić, które czynniki rzeczywiście wpływają na decyzje o przyjęciu na studia, a które mają mniejsze znaczenie. Komisja rekrutacyjna wie, że CGPA odgrywa kluczową rolę, ale chce to potwierdzić i odkryć inne ważne czynniki, które mogą kształtować wyniki. Korzystając z modelu RandomForestRegressor, zwizualizujesz ważność cech, aby jednoznacznie wskazać, które elementy profilu kandydatów mają największy wpływ na decyzję rekrutacyjną, a które – mniejszy.
Biblioteka shap oraz dane treningowe (X_train, y_train) zostały już wczytane.
To ćwiczenie jest częścią kursu
Wyjaśnialne AI w Pythonie
Instrukcje do ćwiczenia
- Oblicz
shap_valuesza pomocąTreeExplainer. - Użyj uzyskanych
shap_values, aby zwizualizować ważność cech na wykresie słupkowym i przeanalizuj wyniki.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
model = RandomForestRegressor(random_state=42)
model.fit(X_train, y_train)
# Derive shap values
explainer = ____
shap_values = ____
# Plot the feature importance plot
____