เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

พล็อตความสำคัญของฟีเจอร์สำหรับการวิเคราะห์การรับสมัคร

ในฐานะสมาชิกทีม Data Science ของมหาวิทยาลัย งานของคุณคือประเมินว่าปัจจัยใดส่งผลต่อการตัดสินใจรับเข้าเรียนอย่างแท้จริง และปัจจัยใดมีความสำคัญน้อยกว่า แม้คณะกรรมการรับสมัครจะทราบอยู่แล้วว่า CGPA มีบทบาทสำคัญ แต่พวกเขาต้องการยืนยันข้อมูลนี้และค้นหาปัจจัยอื่น ๆ ที่อาจส่งผลต่อผลลัพธ์ด้วย โดยใช้ model ประเภท RandomForestRegressor คุณจะแสดงภาพความสำคัญของฟีเจอร์เพื่อระบุอย่างชัดเจนว่าแง่มุมใดในโปรไฟล์ของผู้สมัครมีความสำคัญมากที่สุด และแง่มุมใดมีผลต่อกระบวนการตัดสินใจน้อยกว่า

ไลบรารี shap และข้อมูล training (X_train, y_train) ได้ถูกโหลดไว้ให้แล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Explainable AI ด้วย Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • หาค่า shap_values โดยใช้ TreeExplainer
  • นำ shap_values ที่ได้มาพล็อตความสำคัญของฟีเจอร์ในรูปแบบ bar plot แล้ววิเคราะห์ผลที่ได้

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

model = RandomForestRegressor(random_state=42)
model.fit(X_train, y_train)

# Derive shap values
explainer = ____
shap_values = ____

# Plot the feature importance plot
____
แก้ไขและรันโค้ด