Оценка влияния с помощью графиков частичной зависимости
Продолжая работу, начатую ранее, вам предстоит изучить, как признаки «CGPA» и «University Rating» влияют на решения о зачислении. В ходе предыдущего анализа выяснилось, что «CGPA» является наиболее важным предиктором, а «University Rating» — наименее значимым. График частичной зависимости позволит наглядно показать, как изменение этих признаков сказывается на вероятности зачисления, предоставив приёмной комиссии более глубокое понимание их влияния.
X_train и y_train уже загружены для вас.
Это упражнение является частью курса
Объяснимый ИИ на Python
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
from sklearn.ensemble import RandomForestRegressor
import shap
model = RandomForestRegressor(random_state=42)
model.fit(X_train, y_train)
# Generate the partial dependence plot for CGPA
shap.partial_dependence_plot(____, ____, X_train)