Merkmalswichtigkeit und SHAP
Worauf sich das Modell am stärksten stützte
Merkmalswichtigkeit und SHAP ist eine kostenlose Data Science Academy-Lektion auf CoddyKit. Dies ist Lektion 1 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des Data Science Academy-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der Data Science Academy-Kurs umfasst insgesamt 4 Lektionen.
Welche Merkmale waren wichtig?
Nachdem ein Modell trainiert wurde, möchten Sie wissen, welche Eingaben seine Vorhersagen bestimmt haben. Diese Rangfolge wird als Feature Importance bezeichnet. 🔍
Integrierte Baum-Importance
Baummodelle stellen ein schnelles feature_importances_-Array bereit. Höhere Werte bedeuten, dass das Merkmal häufiger zum Aufteilen der Daten verwendet wurde.
importances = model.feature_importances_Mit Namen verknüpfen
Das Importance-Array enthält nur Zahlen. Verknüpfen Sie es daher mit Ihren Spaltennamen, um zu erkennen, zu welchem Merkmal jeder Score gehört.
import pandas as pd
fi = pd.Series(model.feature_importances_, index=X.columns)Sortieren, um die wichtigsten Einflussfaktoren zu sehen
Durch das Sortieren der Importance-Series werden die wenigen Merkmale sichtbar, die den größten Teil des Signals in Ihrem Modell tragen.
fi.sort_values(ascending=False).head()Der Haken bei Bäumen
Integrierte Baum-Scores können Spalten mit vielen verschiedenen Ausprägungen bevorzugen. Sie zeigen die Nutzung, aber nicht immer den tatsächlichen Einfluss auf die Vorhersagen.
Permutation Importance
Eine fairere, modellunabhängige Methode ist die Permutation Importance: Mischen Sie eine Spalte und messen Sie, wie stark der Score sinkt.
from sklearn.inspection import permutation_importance
r = permutation_importance(model, X_test, y_test)SHAP kommt ins Spiel
Für Details zu einzelnen Vorhersagen verwenden Sie SHAP-Werte. Sie teilen den Beitrag jeder Vorhersage fair auf die Merkmale auf, die sie hervorgebracht haben.
SHAP basiert auf Spieltheorie
SHAP greift auf die Spieltheorie zurück: Jedes Merkmal ist ein Mitspieler, und sein Wert ist der Beitrag, den es zu einer bestimmten Vorhersage leistet.
SHAP-Werte berechnen
Sie erstellen einen Explainer für Ihr angepasstes Modell und fragen ihn anschließend nach SHAP-Werten für die Zeilen, die Sie untersuchen möchten.
import shap
explainer = shap.Explainer(model)
values = explainer(X_test)Globale Bedeutung aus lokalen Erklärungen
Mitteln Sie die absoluten SHAP-Werte über alle Zeilen, erhalten Sie eine verlässliche globale Rangfolge der Merkmalsbedeutung, die aus lokalen Erklärungen entsteht.
shap.plots.bar(values)Eine Vorhersage erklären
SHAP zeigt auch, warum eine einzelne Zeile so bewertet wurde. Dabei wird aufgelistet, welche Merkmale die Vorhersage erhöht und welche sie verringert haben.
shap.plots.waterfall(values[0])Kurztest
Welche Methode liefert einen fairen, modellunabhängigen Importance-Score?
Zusammenfassung
Sie haben Merkmale mit Baum-, Permutations- und SHAP-Methoden bewertet – von schnellen Scores bis hin zu fairen Beiträgen pro Vorhersage. Als Nächstes geht es darum, wie ein Merkmal die Ausgabe verändert. 🎯
Lerne Python mit einem KI-Tutor — kostenlos
Schreibe und führe echten Code in deinem Browser aus, bekomme sofortige Hilfe von einem 24/7 KI-Tutor und setze dein Lernen im Web oder in der App fort.
- Kurse
- 30
- Lektionen
- 120
Häufig gestellte Fragen
Ist die Lektion „Merkmalswichtigkeit und SHAP“ kostenlos?
Ja — der vollständige Text von „Merkmalswichtigkeit und SHAP“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des Data Science Academy-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der Data Science Academy-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „Merkmalswichtigkeit und SHAP“?
Worauf sich das Modell am stärksten stützte Du übst Data Science Academy mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um Data Science Academy zu starten?
Keine Vorkenntnisse erforderlich. Data Science Academy auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 1 von 4.
Wie lange dauert die Lektion „Merkmalswichtigkeit und SHAP“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser Data Science Academy-Lektion Code schreiben und ausführen?
Ja. Jede Data Science Academy-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Merkmalswichtigkeit und SHAP
- Intuition zur partiellen Abhängigkeit
- Diagramme, die Stakeholder überzeugen
- Vom Notebook zum Dashboard