Kom igångKom igång gratis

Kernel Explainer för MLPRegressor

Du är bekant med antagningsdatamängden sedan tidigare. Nu ska du använda SHAPs Kernel Explainer för att förklara en MLPRegressor som tränats på dessa data. Med den här metoden kan du kritiskt utvärdera hur olika särdrag påverkar modellens prediktioner och jämföra insikterna med din befintliga förståelse av datamängden.

X med prediktorerna och y med antagningsbesluten, samt den förtränade MLPRegressor-modellen model, har redan laddats in åt dig.

Den här övningen är en del av kursen

Förklarbar AI i Python

Visa kurs

Övningsinstruktioner

  • Skapa en SHAP Kernel Explainer med hjälp av MLPRegressor-modellen model och en k-means-sammanfattning av 10 sampel från X.
  • Generera shap_values för X.
  • Beräkna de genomsnittliga absoluta SHAP-värdena för att identifiera de viktigaste faktorerna som påverkar antagningsbesluten.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

import shap

# Create a SHAP Kernel 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 MLPRegressor')
plt.xticks(rotation=45)
plt.show()
Redigera och kör kod