Gráficos de importância de recursos para análise de admissões
Como parte da equipe de ciência de dados de uma universidade, sua tarefa é avaliar quais fatores realmente orientam as decisões de admissão e quais são menos importantes. Embora o comitê de admissões saiba que o CGPA desempenha um papel fundamental, eles querem confirmar isso e descobrir outros fatores importantes que possam influenciar os resultados. Usando um model RandomForestRegressor, você visualizará a importância do recurso para identificar claramente quais aspectos dos perfis dos candidatos são mais importantes e quais têm menos impacto no processo de decisão.
A biblioteca shap e os dados de treinamento (X_train, y_train) foram pré-carregados para você.
Este exercício faz parte do curso
IA explicável em Python
Instruções de exercício
- Derive
shap_valuesusando umTreeExplainer. - Use o
shap_valuesderivado para plotar as importações de recursos com um gráfico de barras e analisá-lo.
Exercício interativo prático
Experimente este exercício preenchendo este código de exemplo.
model = RandomForestRegressor(random_state=42)
model.fit(X_train, y_train)
# Derive shap values
explainer = ____
shap_values = ____
# Plot the feature importance plot
____