Kernel Explainer dla MLPRegressor
Znasz już zbiór danych dotyczący przyjęć na studia – teraz wykorzystasz SHAP Kernel Explainer, aby wyjaśnić działanie modelu MLPRegressor wytrenowanego na tych danych. Ta metoda pozwoli ci ocenić, jak poszczególne cechy wpływają na predykcje modelu, i zweryfikować te wnioski w oparciu o znajomość zbioru danych.
Zmienna X zawierająca predyktory oraz y zawierająca decyzje o przyjęciu, a także wstępnie wytrenowany model MLPRegressor model, zostały już wczytane.
To ćwiczenie jest częścią kursu
Wyjaśnialne AI w Pythonie
Instrukcje do ćwiczenia
- Utwórz SHAP Kernel Explainer, używając modelu MLPRegressor
modeloraz podsumowania k-średnich obejmującego 10 próbek zX. - Wygeneruj
shap_valuesdlaX. - Oblicz średnie bezwzględne wartości SHAP, aby wskazać kluczowe czynniki wpływające na decyzje o przyjęciu.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
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()