Explicador do kernel para MLPRegressor
Dada a sua familiaridade com o conjunto de dados de admissão, você usará o Kernel Explainer do SHAP para explicar um egresso do MLPRtreinado nesses dados. Esse método permitirá que você avalie criticamente como os diferentes recursos afetam as previsões do modelo e verifique esses insights em relação ao seu conhecimento atual do conjunto de dados.
X contendo os preditores e y contendo as decisões de admissão, juntamente com o model pré-treinado MLPRegressor, foram pré-carregados para você.
Este exercício faz parte do curso
IA explicável em Python
Instruções do exercício
- Crie um SHAP Kernel Explainer usando o
modelMLPRegressor e um resumo k-means de 10 amostras doX. - Gere
shap_valuesparaX. - Calcule a média absoluta dos valores de SHAP para identificar os principais fatores que afetam as admissões.
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
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()