Importance des variables et SHAP
Ce sur quoi le modèle s’est le plus appuyé
Importance des variables et SHAP est une leçon Data Science Academy gratuite sur CoddyKit. Ceci est la leçon 1 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage Data Science Academy, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours Data Science Academy comprend 4 leçons au total.
Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.
Which Features Mattered?
After a model trains, you want to know which inputs drove its predictions. That ranking is called feature importance. 🔍
Built-In Tree Importance
Tree models expose a quick feature_importances_ array. Higher values mean the feature was used more often to split the data.
importances = model.feature_importances_Pair It With Names
The importances array is just numbers, so zip it with your column names to read which feature each score belongs to.
import pandas as pd
fi = pd.Series(model.feature_importances_, index=X.columns)Sort to See Top Drivers
Sorting the importance Series surfaces the few features that carry most of the signal in your model.
fi.sort_values(ascending=False).head()The Catch With Trees
Built-in tree scores can favor high-cardinality columns. They tell you usage, not always real impact on predictions.
Permutation Importance
A fairer, model-agnostic method is permutation importance: shuffle one column and measure how much the score drops.
from sklearn.inspection import permutation_importance
r = permutation_importance(model, X_test, y_test)Enter SHAP
For per-prediction detail you use SHAP values, which fairly split each prediction among the features that produced it.
SHAP Is Game Theory
SHAP borrows from game theory: each feature is a player, and its value is the credit it earns toward one specific prediction.
Compute SHAP Values
You build an explainer for your fitted model, then ask it for SHAP values on the rows you care about.
import shap
explainer = shap.Explainer(model)
values = explainer(X_test)Global From Local
Average the absolute SHAP values across all rows and you get a trustworthy global importance ranking, built from local explanations.
shap.plots.bar(values)Explain One Prediction
SHAP also shows why a single row scored as it did, listing which features pushed the prediction up and which pulled it down.
shap.plots.waterfall(values[0])Quick Check
Which method gives a fair, model-agnostic importance score?
Recap
You ranked features with tree, permutation, and SHAP methods, moving from quick scores to fair, per-prediction credit. Next, how one feature moves output. 🎯
Questions Fréquemment Posées
La leçon « Importance des variables et SHAP » est-elle gratuite ?
Oui — le texte complet de « Importance des variables et SHAP » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours Data Science Academy, passe à CoddyKit PRO. Le cours Data Science Academy comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Importance des variables et SHAP » ?
Ce sur quoi le modèle s’est le plus appuyé Tu pratiques Data Science Academy avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer Data Science Academy ?
Aucune expérience préalable n'est requise. Data Science Academy sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 1 sur 4.
Combien de temps prend la leçon « Importance des variables et SHAP » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon Data Science Academy ?
Oui. Chaque leçon Data Science Academy inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Importance des variables et SHAP
- Intuition de la dépendance partielle
- Des graphiques qui convainquent les parties prenantes
- Du notebook au tableau de bord