1. Nauka
    2. /
  2. Kursy
    3. /
  3. Wyjaśnialne AI w Pythonie
Connected

ćwiczenie

Kernel Explainer dla MLPClassifier

Sieci neuronowe mogą być bardzo dokładne, ale zrozumienie ich decyzji bywa trudne ze względu na złożoność modelu. Teraz wykorzystasz SHAP Kernel Explainer do interpretacji MLPClassifier wytrenowanego na zbiorze danych dotyczącym dochodów dorosłych. Sprawdzisz, która z trzech cech – wiek, wykształcenie czy liczba przepracowanych godzin tygodniowo – ma największy wpływ na przewidywanie dochodu według tego modelu.

Zmienna X zawierająca predyktory oraz y zawierająca decyzje o przyznaniu dochodu, a także wstępnie wytrenowany model MLPClassifier model, zostały już wczytane.

Instrukcje

100 XP
  • Utwórz instancję SHAP Kernel Explainer, używając MLPClassifier model oraz podsumowania k-średnich złożonego z 10 próbek ze zbioru X.
  • Wygeneruj shap_values dla X.
  • Oblicz średnie bezwzględne wartości SHAP, aby zidentyfikować kluczowe czynniki wpływające na decyzje o dochodzie.