BaşlayınÜcretsiz başlayın

MLPClassifier için Kernel explainer

Sinir ağları çok doğru sonuçlar verebilir, ancak karmaşıklıkları nedeniyle kararlarını anlamak zor olabilir. Şimdi, yetişkin gelir veri kümesi üzerinde eğitilmiş bir MLPClassifier'ı yorumlamak için SHAP Kernel Explainer'dan yararlanacaksın. Bu modele göre geliri tahmin ederken üç özellikten—yaş, eğitim veya haftalık çalışma saati—hangisinin en önemli olduğunu keşfedeceksin.

Tahmin değişkenlerini içeren X, kabul kararlarını içeren y ve önceden eğitilmiş MLPClassifier model senin için önceden yüklendi.

Bu egzersiz, kursun bir parçasıdır

Python ile Açıklanabilir AI

Kursa Göz Atın

Egzersiz talimatları

  • MLPClassifier model ve X'ten 10 örnekten oluşan k-means özetini kullanarak bir SHAP Kernel Explainer oluştur.
  • X için shap_values üret.
  • Kabulü etkileyen temel faktörleri belirlemek için ortalama mutlak SHAP değerlerini hesapla.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

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()
Kodu Düzenle ve Çalıştır