เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

SHAP เทียบกับวิธีเฉพาะโมเดล

ในแบบฝึกหัดนี้ จะเปรียบเทียบความสามารถในการอธิบายโมเดลระหว่าง SHAP values จาก Kernel Explainer กับค่าสัมประสิทธิ์ของ logistic regression ซึ่งทั้งคู่ถูกฝึกบนชุดข้อมูลรายได้ ฟังก์ชันช่วย plot_importances() จะถูกเรียกใช้ท้ายสคริปต์เพื่อพล็อตค่าความสำคัญในกราฟเดียวกัน

X ที่เก็บฟีเจอร์ y ที่เก็บ label และโมเดล logistic regression model ถูกโหลดไว้ให้แล้ว รวมถึง matplotlib.pyplot ที่ import เป็น plt

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Explainable AI ด้วย Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • คำนวณค่าสัมประสิทธิ์ของโมเดล logistic regression model
  • สร้าง Kernel Explainer เพื่อคำนวณ shap_values โดยใช้โมเดล logistic regression model และสรุปข้อมูลด้วย k-means จาก 10 ตัวอย่างใน X
  • คำนวณค่าเฉลี่ย SHAP values แบบสัมบูรณ์เพื่อประเมินผลกระทบของแต่ละฟีเจอร์

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

import shap

# Extract model coefficients
coefficients = ____

# Compute SHAP values
explainer = ____
shap_values = explainer.shap_values(X)

# Calculate mean absolute SHAP values
mean_abs_shap = ____

plot_importances(coefficients, mean_abs_shap)
แก้ไขและรันโค้ด