SHAP 与模型特定方法对比
您将比较 Kernel Explainer 计算得到的 SHAP 值与逻辑回归系数在解释能力上的差异，这两者都在收入数据集上训练完成。脚本末尾会调用辅助函数 plot_importances()，将两种重要性绘制在同一张图上。
已为您预加载了包含特征的 X、包含标签的 y，以及逻辑回归 model。同时已将 matplotlib.pyplot 以 plt 名导入。
本练习是课程的一部分
Python 可解释性 AI
练习说明
- 计算逻辑回归
model的系数。 - 使用逻辑回归
model和对X进行 k-means 汇总得到的 10 个样本，创建 Kernel Explainer 来计算shap_values。 - 计算 SHAP 值绝对值的平均值，用于估计每个特征的影响。
交互式实操练习
通过完成这段示例代码来试试这个练习。
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)