Kom igångKom igång gratis

Kernel Explainer för MLPClassifier

Neurala nätverk kan vara mycket träffsäkra, men deras beslut kan vara svåra att förstå på grund av modellernas komplexitet. Nu ska du använda SHAP Kernel Explainer för att tolka en MLPClassifier tränad på adult income-datamängden. Du undersöker vilken av de tre särdragen – ålder, utbildning eller arbetade timmar per vecka – som är viktigast för att förutsäga inkomst enligt modellen.

X med prediktorerna och y med inkomstbesluten, samt den förtränade MLPClassifier-modellen model, har förhandsladdats åt dig.

Den här övningen är en del av kursen

Förklarbar AI i Python

Visa kurs

Övningsinstruktioner

  • Instansiera en SHAP Kernel Explainer med MLPClassifier-modellen model och ett k-means-urval på 10 sampel från X.
  • Generera shap_values för X.
  • Beräkna de genomsnittliga absolutvärdena för SHAP-värdena för att identifiera de viktigaste faktorerna som påverkar inkomstprediktionerna.

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 MLPClassifier')
plt.xticks(rotation=45)
plt.show()
Redigera och kör kod