Biểu đồ mức độ quan trọng của đặc trưng cho phân tích tuyển sinh

Là thành viên nhóm khoa học dữ liệu tại một trường đại học, nhiệm vụ của bạn là đánh giá yếu tố nào thực sự chi phối quyết định tuyển sinh và yếu tố nào ít quan trọng hơn. Dù hội đồng tuyển sinh biết CGPA giữ vai trò then chốt, họ muốn xác nhận điều này và khám phá thêm các yếu tố quan trọng khác có thể ảnh hưởng đến kết quả. Sử dụng RandomForestRegressor model, bạn sẽ trực quan hóa mức độ quan trọng của đặc trưng để xác định rõ khía cạnh nào trong hồ sơ thí sinh là quan trọng nhất và khía cạnh nào ít tác động hơn đến quy trình ra quyết định.

Thư viện shap và dữ liệu huấn luyện (X_train, y_train) đã được nạp sẵn cho bạn.

Bài tập này là một phần của khóa học

Explainable AI trong Python

Xem khóa học

Hướng dẫn bài tập

Suy ra shap_values bằng TreeExplainer.
Dùng shap_values đã tính để vẽ biểu đồ cột thể hiện mức độ quan trọng của đặc trưng và phân tích kết quả.

Bài tập tương tác thực hành trực tiếp

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

model = RandomForestRegressor(random_state=42)
model.fit(X_train, y_train)

# Derive shap values
explainer = ____
shap_values = ____

# Plot the feature importance plot
____

Chỉnh sửa và Chạy Mã

Bài tập này là một phần của khóa học

Explainable AI trong Python

SkillTag.level.intermediateSkillTag.label

4.8+

Bắt đầu khóa học miễn phí

Bắt đầu hành trình của bạn bằng cách khám phá các khái niệm nền tảng của Explainable AI. Học cách trích xuất quy tắc quyết định từ cây quyết định. Suy ra và trực quan hóa mức độ quan trọng của đặc trưng bằng các mô hình tuyến tính và mô hình dựa trên cây để hiểu cách các mô hình này dự đoán, từ đó ra quyết định minh bạch hơn.

Exercise 1: Giới thiệu về AI có khả năng giải thích Exercise 2: Cây quyết định và mạng nơ-ron Exercise 3: Giải thích model-agnostic vs. model-specific Exercise 4: Khả năng giải thích trong các mô hình tuyến tính Exercise 5: Tính toán mức độ ảnh hưởng của đặc trưng với hồi quy tuyến tính Exercise 6: Tính toán tác động của đặc trưng với logistic regression Exercise 7: Khả năng giải thích trong các mô hình dựa trên cây Exercise 8: Tính độ quan trọng của đặc trưng với cây quyết định Exercise 9: Tính toán độ quan trọng đặc trưng với random forests

Khai mở sức mạnh của các kỹ thuật độc lập mô hình để xác định ảnh hưởng của đặc trưng trên nhiều mô hình. Sử dụng permutation importance và giá trị SHAP để phân tích cách đặc trưng tác động đến hành vi mô hình. Khám phá các công cụ trực quan hóa SHAP để làm cho khái niệm giải thích trở nên dễ hiểu hơn.

Exercise 1: Tầm quan trọng hoán vị Exercise 2: Permutation importance cho MLPClassifier Exercise 3: Hệ số vs. permutation importance Exercise 4: Giải thích bằng SHAP Exercise 5: Tìm các biến dự báo chi phí y tế quan trọng với SHAP Exercise 6: Tìm các yếu tố dự báo bệnh tim quan trọng với SHAP Exercise 7: Bộ giải thích SHAP kernel Exercise 8: Kernel explainer cho MLPRegressor Exercise 9: Kernel explainer cho MLPClassifier Exercise 10: SHAP vs. cách tiếp cận đặc thù mô hình Exercise 11: Trực quan hóa khả năng giải thích bằng SHAP Exercise 12: Biểu đồ mức độ quan trọng của đặc trưng cho phân tích tuyển sinh

Bài tập hiện tại

Exercise 13: Phân tích tác động của đặc trưng với biểu đồ beeswarm Exercise 14: Đánh giá tác động với partial dependence plot

Đào sâu vào giải thích cục bộ và giải thích từng dự đoán riêng lẻ. Học cách tận dụng SHAP cho giải thích cục bộ. Thành thạo LIME để làm rõ các yếu tố cụ thể chi phối một kết quả đơn lẻ, cho dù với dữ liệu văn bản, dạng bảng hay hình ảnh.

Exercise 1: Giải thích cục bộ với SHAP Exercise 2: Giải thích toàn cục vs. cục bộ Exercise 3: SHAP để giải thích mức thu nhập Exercise 4: Giải thích cục bộ với LIME Exercise 5: Diễn giải hồi quy cục bộ Exercise 6: Diễn giải cục bộ cho mô hình phân loại Exercise 7: Giải thích văn bản và hình ảnh với LIME Exercise 8: Giải thích dự đoán phân tích cảm xúc Exercise 9: Giải thích dự đoán ảnh món ăn

Khám phá các chủ đề nâng cao trong Explainable AI bằng cách đánh giá hành vi mô hình và hiệu quả của các phương pháp giải thích. Nâng cao kỹ năng đánh giá tính nhất quán và độ trung thực của lời giải thích, tìm hiểu phân tích mô hình không giám sát, và học cách làm rõ quy trình suy luận của các mô hình AI sinh sinh như ChatGPT. Trang bị cho bạn các kỹ thuật để đo lường và tăng cường khả năng giải thích trong các hệ thống AI phức tạp.

Exercise 1: Các thước đo khả năng giải thích Exercise 2: Đánh giá tính nhất quán của lời giải thích SHAP Exercise 3: Đánh giá tính trung thực với LIME Exercise 4: Giải thích các mô hình không giám sát Exercise 5: Tác động của đặc trưng lên chất lượng phân cụm Exercise 6: Tầm quan trọng của đặc trưng trong phân cụm với ARI Exercise 7: Giải thích các mô hình AI sinh chuỗi hội thoại Exercise 8: Chain-of-thought để khám phá lập luận Exercise 9: Tự nhất quán để đánh giá độ tin cậy Exercise 10: Chúc mừng