Znajdowanie kluczowych predyktorów kosztów leczenia za pomocą SHAP
Wartości SHAP dostarczają przejrzystych wyjaśnień dla prognoz tworzonych przez modele uczenia maszynowego. Teraz wykorzystasz SHAP, aby zbadać wpływ różnych cech modelu RandomForestRegressor model na przewidywanie kosztów ubezpieczenia.
Zbiór X z cechami predyktorów oraz y z kosztami ubezpieczenia, a także regressor RandomForest model, zostały wstępnie załadowane.
Pamiętaj, że wykonanie kodu może chwilę potrwać.
To ćwiczenie jest częścią kursu
Wyjaśnialne AI w Pythonie
Instrukcje do ćwiczenia
- Zainicjalizuj obiekt wyjaśniający SHAP dla drzew o nazwie
explainerdla modelu RandomForestmodel. - Oblicz wartości
shap_valuesdla zbioru danych. - Wyznacz średnie bezwzględne wartości SHAP, aby zidentyfikować najbardziej wpływowe cechy.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
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()