เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

Kernel Explainer สำหรับ MLPRegressor

จากความคุ้นเคยกับชุดข้อมูลการรับเข้าเรียน คุณจะใช้ SHAP Kernel Explainer เพื่ออธิบายโมเดล MLPRegressor ที่ฝึกบนข้อมูลนี้ วิธีนี้ช่วยให้วิเคราะห์ได้ว่าฟีเจอร์แต่ละตัวส่งผลต่อการพยากรณ์ของโมเดลอย่างไร และตรวจสอบผลลัพธ์กับความเข้าใจเดิมเกี่ยวกับชุดข้อมูล

X ที่มีตัวแปรพยากรณ์ y ที่มีผลการรับเข้าเรียน และโมเดล MLPRegressor ที่ฝึกไว้แล้วในชื่อ model ถูกโหลดไว้ให้คุณเรียบร้อยแล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Explainable AI ด้วย Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • สร้าง SHAP Kernel Explainer โดยใช้โมเดล MLPRegressor model และข้อมูลสรุปแบบ k-means จำนวน 10 ตัวอย่างจาก X
  • สร้าง shap_values สำหรับ X
  • คำนวณค่าเฉลี่ย SHAP สัมบูรณ์เพื่อระบุปัจจัยสำคัญที่ส่งผลต่อการรับเข้าเรียน

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

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()
แก้ไขและรันโค้ด