เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

ค้นหาตัวทำนายค่าใช้จ่ายทางการแพทย์ที่สำคัญด้วย SHAP

ค่า SHAP ช่วยอธิบายผลการพยากรณ์ของโมเดล machine learning ได้อย่างชัดเจน ในแบบฝึกหัดนี้ จะได้ใช้ SHAP เพื่อวิเคราะห์ว่าฟีเจอร์ต่าง ๆ ใน model ประเภท RandomForestRegressor ส่งผลต่อการพยากรณ์ค่าใช้จ่ายประกันภัยอย่างไร

X ที่เก็บฟีเจอร์สำหรับพยากรณ์ และ y ที่เก็บค่าใช้จ่ายประกันภัย รวมถึง model ประเภท RandomForest ถูกโหลดไว้ให้แล้ว

โปรดทราบว่าโค้ดอาจใช้เวลาในการรันสักครู่

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Explainable AI ด้วย Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • สร้าง SHAP tree explainer ชื่อ explainer สำหรับ model ประเภท RandomForest
  • คำนวณ shap_values สำหรับชุดข้อมูล
  • คำนวณค่าเฉลี่ยของค่า SHAP สัมบูรณ์เพื่อระบุฟีเจอร์ที่มีอิทธิพลมากที่สุด

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

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()
แก้ไขและรันโค้ด