เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

Kernel Explainer สำหรับ MLPClassifier

โครงข่ายประสาทเทียมให้ความแม่นยำสูง แต่การทำความเข้าใจกระบวนการตัดสินใจของมันมักเป็นเรื่องท้าทายเนื่องจากความซับซ้อน ในแบบฝึกหัดนี้ คุณจะใช้ SHAP Kernel Explainer เพื่อวิเคราะห์ MLPClassifier ที่ฝึกบนชุดข้อมูลรายได้ของผู้ใหญ่ (adult income dataset) โดยสำรวจว่าใน 3 ฟีเจอร์ ได้แก่ อายุ การศึกษา และชั่วโมงทำงานต่อสัปดาห์ ฟีเจอร์ใดมีความสำคัญมากที่สุดในการพยากรณ์รายได้ตามโมเดลนี้

X ที่บรรจุตัวแปรพยากรณ์ และ y ที่บรรจุผลการตัดสินใจรับเข้า รวมถึง MLPClassifier model ที่ฝึกไว้แล้ว ได้ถูกโหลดไว้ให้คุณแล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Explainable AI ด้วย Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • สร้าง SHAP Kernel Explainer โดยใช้ MLPClassifier model และข้อมูลสรุปแบบ k-means จำนวน 10 ตัวอย่างจาก X
  • สร้าง shap_values สำหรับ X
  • คำนวณค่าเฉลี่ยของค่าสัมบูรณ์ SHAP เพื่อระบุปัจจัยสำคัญที่ส่งผลต่อการรับเข้า

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 MLPClassifier')
plt.xticks(rotation=45)
plt.show()
แก้ไขและรันโค้ด