Вычисление влияния признаков с помощью логистической регрессии

Продолжая работу в страховой компании, вы построили предсказательную модель для определения того, является ли человек курильщиком или нет. Теперь вам нужно проанализировать модель, чтобы выявить ключевые факторы, влияющие на статус курильщика. Это поможет компании точнее оценивать риски и формировать страховые полисы с учётом индивидуальных особенностей клиентов.

matplotlib.pyplot импортирован как plt. Переменные X_train и y_train уже загружены для вас.

Это упражнение является частью курса

Объяснимый ИИ на Python

Посмотреть курс

Инструкции к упражнению

Извлеките coefficients из модели.
Постройте график coefficients для заданных feature_names.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

scaler = MinMaxScaler()
X_train_scaled = scaler.fit_transform(X_train)

model = LogisticRegression()
model.fit(X_train_scaled, y_train)

# Derive coefficients
coefficients = ____
feature_names = X_train.columns

# Plot coefficients
____
plt.show()

Редактировать и запускать код

Это упражнение является частью курса

Объяснимый ИИ на Python

SkillTag.level.intermediateSkillTag.label

4.8+

Начать курс бесплатно

Начните с изучения фундаментальных концепций объяснимого ИИ. Вы научитесь извлекать правила принятия решений из деревьев решений, а также вычислять и визуализировать важность признаков с помощью линейных моделей и моделей на основе деревьев. Это поможет вам понять, как модели делают предсказания, и принимать более взвешенные решения.

Exercise 1: Введение в объяснимый ИИ Exercise 2: Деревья решений vs. нейронные сети Exercise 3: Независимые от модели и специфичные для модели методы объяснимости Exercise 4: Объяснимость в линейных моделях Exercise 5: Вычисление влияния признаков с помощью линейной регрессии Exercise 6: Вычисление влияния признаков с помощью логистической регрессии

Текущее упражнение

Exercise 7: Объяснимость в моделях на основе деревьев Exercise 8: Вычисление важности признаков с помощью деревьев решений Exercise 9: Вычисление важности признаков с помощью случайного леса

Освойте методы, не зависящие от конкретной модели, чтобы оценивать влияние признаков в различных моделях. Используйте перестановочную важность и значения SHAP для анализа того, как признаки влияют на поведение модели. Изучите инструменты визуализации SHAP, которые делают концепции объяснимости более наглядными и понятными.

Exercise 1: Важность признаков методом перестановок Exercise 2: Перестановочная важность для MLPClassifier Exercise 3: Коэффициенты и важность признаков на основе перестановок Exercise 4: Объяснимость с помощью SHAP Exercise 5: Поиск ключевых предикторов медицинских расходов с помощью SHAP Exercise 6: Поиск ключевых предикторов сердечно-сосудистых заболеваний с помощью SHAP Exercise 7: Метод SHAP Kernel Explainer Exercise 8: Kernel Explainer для MLPRegressor Exercise 9: Kernel Explainer для MLPClassifier Exercise 10: SHAP и модельно-зависимые подходы Exercise 11: Визуализация объяснимости с помощью SHAP Exercise 12: Графики важности признаков для анализа поступления в университет Exercise 13: Анализ влияния признаков с помощью диаграммы роя точек Exercise 14: Оценка влияния с помощью графиков частичной зависимости

Погрузитесь в локальную объяснимость и научитесь объяснять отдельные предсказания. Вы освоите применение SHAP для локального анализа, а также LIME — для выявления конкретных факторов, влияющих на отдельные результаты: будь то текстовые, табличные или графические данные.

Exercise 1: Локальная объяснимость с помощью SHAP Exercise 2: Глобальная и локальная объяснимость Exercise 3: SHAP для объяснения уровней дохода Exercise 4: Локальная объяснимость с помощью LIME Exercise 5: Локальная интерпретация регрессоров Exercise 6: Локальная интерпретация классификаторов Exercise 7: Объяснимость текстов и изображений с помощью LIME Exercise 8: Объяснение предсказаний анализа тональности Exercise 9: Объяснение предсказаний модели для изображений блюд

Изучите продвинутые темы объяснимого ИИ: оценку поведения моделей и эффективности методов объяснения. Вы научитесь проверять согласованность и достоверность объяснений, анализировать модели без учителя, а также интерпретировать процессы рассуждения генеративных моделей ИИ, таких как ChatGPT. Освойте техники измерения и повышения объяснимости в сложных системах ИИ.

Exercise 1: Метрики объяснимости Exercise 2: Оценка согласованности объяснений SHAP Exercise 3: Оценка достоверности объяснений LIME Exercise 4: Объяснение моделей без учителя Exercise 5: Влияние признаков на качество кластеризации Exercise 6: Важность признаков в кластеризации с помощью ARI Exercise 7: Объяснение чат-ботов на основе генеративных моделей ИИ Exercise 8: Цепочка рассуждений для изучения логики модели Exercise 9: Самосогласованность для оценки уверенности Exercise 10: Поздравляем!