Pentingnya Fitur dan SHAP
Hal yang paling diandalkan model
Pentingnya Fitur dan SHAP adalah pelajaran Data Science Academy gratis di CoddyKit. Ini adalah pelajaran 1 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar Data Science Academy, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Data Science Academy mencakup 4 pelajaran total.
Fitur Mana yang Berpengaruh?
Setelah model dilatih, Anda tentu ingin mengetahui input mana yang mendorong prediksinya. Peringkat tersebut disebut kepentingan fitur. 🔍
Kepentingan Bawaan Pohon
Model pohon menyediakan array feature_importances_ dengan cepat. Nilai yang lebih tinggi berarti fitur tersebut lebih sering digunakan untuk membagi data.
importances = model.feature_importances_Pasangkan dengan Nama
Array kepentingan hanya berisi angka, jadi pasangkan dengan nama kolom Anda agar dapat mengetahui fitur yang terkait dengan setiap skor.
import pandas as pd
fi = pd.Series(model.feature_importances_, index=X.columns)Urutkan untuk Melihat Penggerak Teratas
Mengurutkan Series kepentingan akan menampilkan beberapa fitur yang membawa sebagian besar sinyal dalam model Anda.
fi.sort_values(ascending=False).head()Keterbatasan Pohon
Skor pohon bawaan dapat mengutamakan kolom dengan banyak nilai unik. Skor tersebut menunjukkan penggunaan, tetapi tidak selalu menunjukkan dampak nyata terhadap prediksi.
Kepentingan Permutasi
Metode yang lebih adil dan tidak bergantung pada model adalah permutation importance: acak satu kolom, lalu ukur seberapa besar skor menurun.
from sklearn.inspection import permutation_importance
r = permutation_importance(model, X_test, y_test)Kenali SHAP
Untuk detail setiap prediksi, gunakan nilai SHAP, yang membagi kontribusi setiap prediksi secara adil di antara fitur-fitur yang menghasilkannya.
SHAP Berbasis Teori Permainan
SHAP mengambil gagasan dari teori permainan: setiap fitur adalah pemain, dan nilainya adalah kontribusi yang diperolehnya terhadap satu prediksi tertentu.
Hitung Nilai SHAP
Anda membuat penjelas untuk model yang telah dilatih, lalu memintanya menghitung nilai SHAP pada baris-baris yang Anda perlukan.
import shap
explainer = shap.Explainer(model)
values = explainer(X_test)Global dari Lokal
Rata-ratakan nilai SHAP absolut pada semua baris, lalu Anda mendapatkan peringkat kepentingan global yang tepercaya dan dibangun dari penjelasan lokal.
shap.plots.bar(values)Jelaskan Satu Prediksi
SHAP juga menunjukkan alasan satu baris memperoleh skor tersebut, dengan mencantumkan fitur yang mendorong prediksi naik dan yang menurunkannya.
shap.plots.waterfall(values[0])Pemeriksaan Singkat
Metode mana yang memberikan skor kepentingan yang adil dan tidak bergantung pada model?
Ringkasan
Anda mengurutkan fitur menggunakan metode pohon, permutasi, dan SHAP, dari skor cepat hingga kontribusi yang adil untuk setiap prediksi. Berikutnya, bagaimana satu fitur mengubah keluaran. 🎯
Belajar Python dengan tutor AI — gratis
Tulis dan jalankan kode asli di browser kamu, dapatkan bantuan instan dari tutor AI 24/7, dan lanjutkan di mana kamu tinggalkan di web atau aplikasi.
- Kursus
- 30
- Pelajaran
- 120
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Pentingnya Fitur dan SHAP” gratis?
Ya — teks lengkap “Pentingnya Fitur dan SHAP” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Data Science Academy, upgrade ke CoddyKit PRO. Kursus Data Science Academy mencakup 4 pelajaran total.
Apa yang akan aku pelajari di “Pentingnya Fitur dan SHAP”?
Hal yang paling diandalkan model Kamu berlatih Data Science Academy dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai Data Science Academy?
Tidak diperlukan pengalaman sebelumnya. Data Science Academy di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 1 dari 4.
Berapa lama pelajaran “Pentingnya Fitur dan SHAP” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran Data Science Academy ini?
Ya. Setiap pelajaran Data Science Academy menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- Pentingnya Fitur dan SHAP
- Intuisi Dependensi Parsial
- Grafik yang Meyakinkan Pemangku Kepentingan
- Dari Notebook ke Dasbor