SHAP 與模型特定方法的比較
你將比較使用 Kernel Explainer 得到的 SHAP 值，與邏輯迴歸係數在解釋力上的差異；兩者皆以 income 資料集訓練而成。指令碼最後會呼叫輔助函式 plot_importances()，在同一張圖上繪製重要性。
已為你預先載入含有特徵的 X、含有標籤的 y，以及邏輯迴歸 model。已將 matplotlib.pyplot 以 plt 名稱匯入。
本練習屬於課程
Python 的 Explainable AI
練習說明
- 計算邏輯迴歸
model的係數。 - 建立 Kernel Explainer，使用邏輯迴歸
model與X的 k-means 摘要（10 個樣本）來計算shap_values。 - 計算 SHAP 值的絕對值平均，以估計各特徵的影響。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
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)