SHAP vs. abordagens específicas de modelo
Você comparará o poder explicativo dos valores de SHAP de um Kernel Explainer com os coeficientes de regressão logística, ambos treinados no conjunto de dados de renda. Uma função auxiliar plot_importances() é chamada no final do script para plotar as importações no mesmo gráfico.
X contendo os recursos e y contendo os rótulos, e a regressão logística model foram pré-carregados para você. matplotlib.pyplot foi importado como plt.
Este exercício faz parte do curso
IA explicável em Python
Instruções de exercício
- Calcule os coeficientes do
modelde regressão logística. - Crie o Kernel Explainer para calcular
shap_valuesusando omodelde regressão logística e um resumo k-means de 10 amostras deX. - Calcule a média absoluta dos valores de SHAP para estimar o impacto de cada recurso.
Exercício interativo prático
Experimente este exercício preenchendo este código de exemplo.
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)