ПочатиПочніть безкоштовно

Kernel Explainer для MLPClassifier

Нейронні мережі можуть бути дуже точними, але розуміти їхні рішення часто складно через їхню складність. Тепер ви скористаєтеся SHAP Kernel Explainer, щоб інтерпретувати MLPClassifier, натренований на наборі даних про дохід дорослих (adult income). Ви дослідите, яка з трьох ознак — вік, освіта або кількість відпрацьованих годин на тиждень — є найважливішою для передбачення доходу за цією моделлю.

X, що містить предиктори, і y, що містить рішення щодо зарахування, а також попередньо натренований MLPClassifier model, уже завантажено для вас.

Ця вправа є частиною курсу

Пояснюваний ШІ в Python

Переглянути курс

Інструкції до вправи

  • Створіть SHAP Kernel Explainer, використавши MLPClassifier model і k-means зведення з 10 зразків із X.
  • Згенеруйте shap_values для X.
  • Обчисліть середні абсолютні значення SHAP, щоб визначити ключові чинники, що впливають на зарахування.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

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()
Редагувати та запускати код