ПочатиПочніть безкоштовно

SHAP проти специфічних для моделі підходів

Ви порівняєте пояснювальну силу значень SHAP з Kernel Explainer із коефіцієнтами логістичної регресії. Обидва підходи навчені на наборі даних про доходи. Допоміжна функція plot_importances() викликається наприкінці скрипту, щоб показати важливості на одному графіку.

X з ознаками, y з мітками класів і модель логістичної регресії model вже завантажено для вас. matplotlib.pyplot імпортовано як plt.

Ця вправа є частиною курсу

Пояснюваний ШІ в Python

Переглянути курс

Інструкції до вправи

  • Обчисліть коефіцієнти моделі логістичної регресії model.
  • Створіть Kernel Explainer, щоб обчислити shap_values, використовуючи модель model і k-means-резюме з 10 зразків із X.
  • Обчисліть середні абсолютні значення SHAP, щоб оцінити вплив кожної ознаки.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

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)
Редагувати та запускати код