Analysera särdragseffekter med beeswarm-diagram
I din roll som datavetare vid universitetet fördjupar du nu analysen av hur enskilda särdrag påverkar antagningsresultaten. Att identifiera de viktigaste faktorerna bakom antagningsbeslut var ett viktigt första steg – nu går vi djupare för att förstå hur variationer i dessa faktorer konkret påverkar modellens förutsägelser. Den här insikten hjälper dig att besvara frågor som: Hur påverkar förändringar i testresultat eller CGPA sannolikheten för antagning? Det ger ett tydligare underlag för välgrundade beslut och policyriktlinjer.
Biblioteket shap och träningsdatan (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 beeswarm-diagram 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 beeswarm plot
____