Kom igångKom igång gratis

Hitta viktiga prediktorer för sjukvårdskostnader med SHAP

SHAP-värden ger informativa förklaringar till de prediktioner som maskininlärningsmodeller gör. Nu ska du använda SHAP för att analysera hur olika särdrag i en RandomForestRegressor-model påverkar förutsägelsen av försäkringskostnader.

X med prediktorsärdrag och y med försäkringskostnaderna, tillsammans med RandomForest-regressorn model, har redan laddats in åt dig.

Observera att koden kan ta en liten stund att köra.

Den här övningen är en del av kursen

Förklarbar AI i Python

Visa kurs

Övningsinstruktioner

  • Initiera en SHAP-trädförklarare med namnet explainer för RandomForest-model.
  • Beräkna shap_values för datamängden.
  • Beräkna det genomsnittliga absolutvärdet av SHAP-värdena för att identifiera de mest inflytelserika särdragen.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

import shap

# Create a SHAP Tree Explainer
explainer = ____

# Calculate SHAP values
shap_values = ____

# Calculate mean absolute SHAP values
mean_abs_shap = ____

plt.bar(X.columns, mean_abs_shap)
plt.title('Mean Absolute SHAP Values for RandomForest')
plt.xticks(rotation=45)
plt.show()
Redigera och kör kod