Аналіз впливу ознак за допомогою beeswarm-діаграм
Продовжуючи працювати на посаді дата-сайєнтиста в університеті, ви тепер зосереджуєтеся на детальнішому аналізі індивідуальних впливів ознак на результати зарахування. Визначити ключові чинники, що впливають на рішення про зарахування, було важливо, проте глибший розбір дає змогу зрозуміти, як саме варіації цих чинників впливають на передбачення. Ці додаткові інсайти допоможуть відповісти на запитання, як зміни результатів тестів або середнього бала (CGPA) змінюють імовірність зарахування, і нададуть чіткішу картину для обґрунтованих рішень і рекомендацій щодо політик.
Бібліотеку shap і тренувальні дані (X_train, y_train) попередньо завантажено для вас.
Ця вправа є частиною курсу
Пояснюваний ШІ в Python
Інструкції до вправи
- Отримайте
shap_values, використавшиTreeExplainer. - Використайте отримані
shap_values, щоб побудувати beeswarm-діаграму та проаналізувати її.
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 beeswarm plot
____