НачатьНачать бесплатно

SHAP и модельно-зависимые подходы

Вы сравните объяснительную силу значений SHAP, полученных с помощью Kernel Explainer, с коэффициентами логистической регрессии — оба подхода применяются на наборе данных о доходах. В конце скрипта вызывается вспомогательная функция plot_importances(), которая отображает важность признаков на одном графике.

Переменные X с признаками, y с метками и модель логистической регрессии model уже загружены. Библиотека matplotlib.pyplot импортирована как plt.

Это упражнение является частью курса

Объяснимый ИИ на Python

Посмотреть курс

Инструкции к упражнению

  • Вычислите коэффициенты модели логистической регрессии model.
  • Создайте Kernel Explainer для вычисления shap_values, используя модель логистической регрессии model и сводку k-средних из 10 выборок X.
  • Вычислите среднее абсолютное значение SHAP, чтобы оценить влияние каждого признака.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

import shap

# Extract model coefficients
coefficients = ____

# Compute SHAP values
explainer = ____
shap_values = explainer.shap_values(X)

# Calculate mean absolute SHAP values
mean_abs_shap = ____

plot_importances(coefficients, mean_abs_shap)
Редактировать и запускать код