SHAP vs. modele özgü yaklaşımlar
Bu egzersizde, gelir veri kümesinde eğitilmiş bir Kernel Explainer’dan elde edilen SHAP değerlerinin açıklayıcılığını, lojistik regresyon katsayılarıyla karşılaştıracaksın. Betiğin sonunda çağrılan yardımcı işlev plot_importances() önem derecelerini aynı grafikte çizer.
Özellikleri içeren X, etiketleri içeren y ve lojistik regresyon model senin için önceden yüklendi. matplotlib.pyplot da plt olarak içe aktarıldı.
Bu egzersiz
Python ile Açıklanabilir AI
kursunun bir parçasıdırEgzersiz talimatları
- Lojistik regresyon
modelinin katsayılarını hesapla. - Lojistik regresyon
modelini veX’ten k-means ile elde edilen 10 örneklik bir özetlemeyi kullanarakshap_valueshesaplamak için Kernel Explainer oluştur. - Her bir özelliğin etkisini tahmin etmek için ortalama mutlak SHAP değerlerini hesapla.
Uygulamalı interaktif egzersiz
Bu örnek kodu tamamlayarak bu egzersizi bitirin.
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)