Графіки важливості ознак для аналізу вступу
Як члени команди з науки про дані в університеті, ви маєте оцінити, які чинники справді визначають рішення щодо вступу, а які менш важливі. Хоча відбіркова комісія знає, що CGPA відіграє ключову роль, вона хоче це підтвердити й виявити інші важливі фактори, що можуть впливати на результат. Використовуючи RandomForestRegressor model, ви візуалізуєте важливість ознак, щоб чітко визначити, які аспекти профілів абітурієнтів мають найбільше значення, а які менше впливають на процес ухвалення рішень.
Бібліотека shap і тренувальні дані (X_train, y_train) уже завантажені для вас.
Ця вправа є частиною курсу
Пояснюваний ШІ в Python
Інструкції до вправи
- Отримайте
shap_values, використавшиTreeExplainer. - Використайте отримані
shap_values, щоб побудувати стовпчиковий графік важливості ознак і проаналізувати його.
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
model = RandomForestRegressor(random_state=42)
model.fit(X_train, y_train)
# Derive shap values
explainer = ____
shap_values = ____
# Plot the feature importance plot
____