Jelaskan Prediksi dengan SHAP
Atribusikan setiap output ke fitur inputnya.
Jelaskan Prediksi dengan SHAP adalah pelajaran MLOps Academy gratis di CoddyKit. Ini adalah pelajaran 4 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 MLOps Academy, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus MLOps Academy mencakup 4 pelajaran total.
Mengapa Prediksi Perlu Dijelaskan
Pemangku kepentingan jarang menerima angka tanpa alasan. Keterjelasan menunjukkan input mana yang mendorong suatu output tertentu. 💡
Apa Itu SHAP
SHAP memberikan nilai kepada setiap fitur yang menunjukkan seberapa besar fitur tersebut mendorong satu prediksi naik atau turun dari nilai dasar.
Akar Teori Permainan
SHAP berasal dari nilai Shapley dalam teori permainan, yang membagi imbalan secara adil di antara para pemain yang bekerja sama.
Fitur sebagai Pemain
SHAP memperlakukan setiap fitur sebagai pemain dan prediksi sebagai imbalan, lalu membagi kontribusi terhadap hasil secara adil di antara mereka.
Nilai Dasar
Penjelasan dimulai dari nilai dasar, yaitu prediksi rata-rata. Setiap fitur kemudian mendorong output menuju nilai akhirnya.
Buat Penjelas
Anda membungkus model terlatih dalam penjelas SHAP, lalu menghitung nilai untuk baris-baris yang ingin Anda pahami.
import shap
explainer = shap.TreeExplainer(model)
shap_values = explainer.shap_values(X_sample)Baca Satu Prediksi
Penjelasan lokal menguraikan satu baris: mungkin pendapatan tinggi mendorong persetujuan naik, sementara riwayat yang singkat menurunkannya.
Lihat Keseluruhan Model
Merata-ratakan nilai SHAP absolut pada banyak baris menghasilkan kepentingan global, yang mengurutkan fitur berdasarkan pengaruh keseluruhannya.
Pilih Penjelas yang Tepat
Gunakan TreeExplainer untuk model berbasis pohon karena cepat dan akurat. KernelExplainer lebih lambat, tetapi dapat digunakan pada hampir semua model.
SHAP untuk Menelusuri Masalah
Saat kinerja suatu irisan buruk, SHAP dapat mengungkap bahwa model terlalu mengandalkan fitur bocor atau semu yang seharusnya diabaikan.
Perhatikan Biayanya
SHAP membutuhkan banyak komputasi, jadi jelaskan sampel atau jalankan secara luring, bukan pada setiap permintaan langsung.
Pemeriksaan Singkat
Apa sebenarnya yang diberitahukan oleh nilai SHAP kepada Anda?
Rangkuman
SHAP membagi kontribusi terhadap prediksi secara adil di antara fitur-fiturnya, sehingga memberikan penjelasan lokal dan global yang melengkapi gambaran keterpantauan. ✅
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Jelaskan Prediksi dengan SHAP” gratis?
Ya — teks lengkap “Jelaskan Prediksi dengan SHAP” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus MLOps Academy, upgrade ke CoddyKit PRO. Kursus MLOps Academy mencakup 4 pelajaran total.
Apa yang akan aku pelajari di “Jelaskan Prediksi dengan SHAP”?
Atribusikan setiap output ke fitur inputnya. Kamu berlatih MLOps 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 MLOps Academy?
Tidak diperlukan pengalaman sebelumnya. MLOps 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 4 dari 4.
Berapa lama pelajaran “Jelaskan Prediksi dengan 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 MLOps Academy ini?
Ya. Setiap pelajaran MLOps 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
- Empat Pilar Observabilitas Pembelajaran Mesin
- Catat Prediksi untuk Analisis Nanti
- Bagi Metrik berdasarkan Segmen dan Kohort
- Jelaskan Prediksi dengan SHAP