Analiza efectelor caracteristicilor cu grafice beeswarm

În continuarea rolului tău de om de știință specializat în date la universitate, îți muți acum atenția către o analiză mai detaliată a efectelor individuale ale caracteristicilor asupra rezultatelor admiterii. Identificarea factorilor cheie care influențează deciziile de admitere a fost esențială, însă o analiză mai profundă ne permite să înțelegem cum variațiile acestor factori afectează în mod specific predicțiile. Această perspectivă suplimentară te va ajuta să răspunzi la întrebări precum: cum influențează modificările scorurilor la teste sau ale mediei CGPA probabilitatea de admitere – oferind o imagine mai clară pentru luarea de decizii informate și formularea de recomandări de politici.

Biblioteca shap și datele de antrenament (X_train, y_train) au fost pre-încărcate pentru tine.

Acest exercițiu face parte din cursul

AI Explicabil în Python

Instrucțiuni pentru exercițiu

Calculează shap_values folosind un TreeExplainer.
Folosește shap_values obținute pentru a reprezenta graficul beeswarm și analizează-l.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

model = RandomForestRegressor(random_state=42)
model.fit(X_train, y_train)

# Derive shap values
explainer = ____
shap_values = ____

# Plot the beeswarm plot
____

Editează și rulează codul

Acest exercițiu face parte din cursul

AI Explicabil în Python

SkillTag.level.intermediateSkillTag.label

4.8+

Începe cursul gratuit

Începe prin a explora conceptele fundamentale ale AI explicabil. Vei învăța cum să extragi reguli de decizie din arbori de decizie și cum să derivezi și să vizualizezi importanța atributelor folosind modele liniare și bazate pe arbori, pentru a înțelege mai bine modul în care aceste modele fac predicții și pentru a facilita luarea deciziilor transparente.

Exercise 1: Introducere în AI explicabil Exercise 2: Arbori de decizie vs. rețele neuronale Exercise 3: Explicabilitate independentă de model vs. specifică unui model Exercise 4: Explicabilitate în modelele liniare Exercise 5: Calcularea impactului caracteristicilor cu regresia liniară Exercise 6: Calcularea impactului caracteristicilor cu regresia logistică Exercise 7: Explicabilitate în modelele bazate pe arbori Exercise 8: Calcularea importanței caracteristicilor cu arbori de decizie Exercise 9: Calcularea importanței caracteristicilor cu random forests

Descoperă tehnicile independente de model pentru a analiza influența atributelor în diferite tipuri de modele. Folosește importanța prin permutare și valorile SHAP pentru a înțelege cum afectează atributele comportamentul modelului. Explorează instrumentele de vizualizare SHAP pentru a face conceptele de explicabilitate mai ușor de înțeles.

Exercise 1: Importanța prin permutare Exercise 2: Importanța prin permutare pentru MLPClassifier Exercise 3: Coeficienți vs. importanță prin permutare Exercise 4: Explicabilitate SHAP Exercise 5: Identificarea principalilor predictori ai costurilor medicale cu SHAP Exercise 6: Identificarea principalilor predictori ai bolilor de inimă cu SHAP Exercise 7: Explicatorul kernel SHAP Exercise 8: Kernel Explainer pentru MLPRegressor Exercise 9: Kernel Explainer pentru MLPClassifier Exercise 10: SHAP vs. abordări specifice modelului Exercise 11: Vizualizarea explicabilității SHAP Exercise 12: Grafice de importanță a caracteristicilor pentru analiza admiterilor Exercise 13: Analiza efectelor caracteristicilor cu grafice beeswarm

Exercițiul curent

Exercise 14: Evaluarea impactului cu grafice de dependență parțială

Aprofundează explicabilitatea locală și înțelege predicțiile individuale. Vei învăța cum să folosești SHAP pentru explicabilitate locală și cum să aplici LIME pentru a identifica factorii specifici care influențează rezultate individuale – indiferent dacă lucrezi cu date textuale, tabulare sau imagini.

Exercise 1: Explicabilitate locală cu SHAP Exercise 2: Explicabilitate globală vs. locală Exercise 3: SHAP pentru explicarea nivelurilor de venit Exercise 4: Explicabilitate locală cu LIME Exercise 5: Interpretarea locală a regresorilor Exercise 6: Interpretarea locală a clasificatorilor Exercise 7: Explicabilitatea textelor și imaginilor cu LIME Exercise 8: Explicarea predicțiilor de analiză a sentimentelor Exercise 9: Explicarea predicțiilor pentru imagini cu mâncare

Explorează subiecte avansate în AI explicabil: evaluează comportamentul modelelor și eficiența metodelor de explicație. Vei dobândi competențe în evaluarea coerenței și fidelității explicațiilor, vei analiza modele nesupravegheate și vei învăța să clarifici procesele de raționament ale modelelor AI generative, precum ChatGPT. Îți vei însuși tehnici pentru a măsura și îmbunătăți explicabilitatea în sisteme AI complexe.

Exercise 1: Metrici de explicabilitate Exercise 2: Evaluarea consistenței explicațiilor SHAP Exercise 3: Evaluarea fidelității cu LIME Exercise 4: Explicarea modelelor nesupravegheate Exercise 5: Impactul caracteristicilor asupra calității clusterizării Exercise 6: Importanța caracteristicilor în clustering cu ARI Exercise 7: Explicarea modelelor generative de tip chat Exercise 8: Chain-of-thought pentru descoperirea raționamentului Exercise 9: Auto-consistența pentru evaluarea încrederii Exercise 10: Felicitări