Explicador do kernel para MLPClassifier
As redes neurais podem ser muito precisas, mas entender suas decisões pode ser um desafio devido à complexidade. Agora, você aproveitará o SHAP Kernel Explainer para interpretar um classificador MLPCtreinado no conjunto de dados de renda de adultos. Você explorará qual das três características (idade, escolaridade ou horas trabalhadas por semana) é mais importante para prever a renda de acordo com esse modelo.
X contendo os preditores e y contendo as decisões de admissão, juntamente com o model classificador pré-treinado MLPC, foram pré-carregados para você.
Este exercício faz parte do curso
IA explicável em Python
Instruções de exercício
- Instancie um SHAP Kernel Explainer usando o classificador MLPC
modele um resumo k-means de 10 amostras deX. - 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 preenchendo 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 MLPClassifier')
plt.xticks(rotation=45)
plt.show()