Bắt đầu ngayBắt đầu miễn phí

SHAP vs. cách tiếp cận đặc thù mô hình

Bạn sẽ so sánh sức mạnh giải thích của các giá trị SHAP từ Kernel Explainer với các hệ số hồi quy logistic, cả hai đều được huấn luyện trên bộ dữ liệu thu nhập. Một hàm hỗ trợ plot_importances() sẽ được gọi ở cuối script để vẽ tầm quan trọng trên cùng một biểu đồ.

X chứa các đặc trưng và y chứa nhãn, cùng với mô hình hồi quy logistic model, đã được nạp sẵn cho bạn. matplotlib.pyplot đã được import là plt.

Bài tập này là một phần của khóa học

Explainable AI trong Python

Xem khóa học

Hướng dẫn bài tập

  • Tính các hệ số của mô hình hồi quy logistic model.
  • Tạo Kernel Explainer để tính shap_values bằng mô hình hồi quy logistic model và phần tóm tắt k-means gồm 10 mẫu từ X.
  • Tính giá trị SHAP trung bình theo trị tuyệt đối để ước lượng mức ảnh hưởng của từng đặc trưng.

Bài tập tương tác thực hành trực tiếp

Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.

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)
Chỉnh sửa và Chạy Mã