Diagram över särdragsvikter för antagningsanalys
Som del av ett datavetenskap-team vid ett universitet är din uppgift att utvärdera vilka faktorer som verkligen styr antagningsbesluten och vilka som spelar mindre roll. Antagningskommittén vet att CGPA är en nyckelfaktor, men vill bekräfta detta och ta reda på om det finns andra viktiga faktorer som påverkar utfallet. Med hjälp av en RandomForestRegressor-model ska du visualisera särdragsvikterna för att tydligt identifiera vilka delar av de sökandes profiler som väger tyngst – och vilka som har mindre inverkan på beslutsprocessen.
Biblioteket shap och träningsdata (X_train, y_train) har redan laddats in åt dig.
Den här övningen är en del av kursen
Förklarbar AI i Python
Övningsinstruktioner
- Beräkna
shap_valuesmed hjälp av enTreeExplainer. - Använd de beräknade
shap_valuesför att rita ett stapeldiagram över särdragsvikterna och analysera det.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
model = RandomForestRegressor(random_state=42)
model.fit(X_train, y_train)
# Derive shap values
explainer = ____
shap_values = ____
# Plot the feature importance plot
____