Data Science Academy · 강의

특성 중요도와 SHAP

모델이 가장 많이 의존한 요소를 알아봅니다

특성 중요도와 SHAP은(는) CoddyKit의 무료 Data Science Academy 강의입니다. 이것은 4개 중 1번째 강의입니다. 아래에서 전체 강의를 무료로 읽을 수 있으며, 내장 코드 에디터와 24/7 AI 튜터와 함께 브라우저에서 직접 실습할 수 있습니다. 이 강의는 Data Science Academy 학습 경로의 일부이며, 진행 상황이 웹과 CoddyKit 앱에 동기화됩니다. Data Science Academy 강의에는 총 4개의 강의가 포함되어 있습니다.

이 강의의 일부는 아직 번역되지 않았으며 영어로 표시됩니다.

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. 🎯

자주 묻는 질문

“특성 중요도와 SHAP” 강의는 무료인가요?

네 — “특성 중요도와 SHAP” 전체 내용을 이 웹사이트에서 무료로 읽을 수 있습니다. 인터랙티브하게 실습하려면(내장 코드 에디터와 24/7 AI 튜터), CoddyKit PRO로 업그레이드하면 Data Science Academy 강의 전체를 잠금 해제할 수 있습니다. Data Science Academy 강의에는 총 4개의 강의가 포함되어 있습니다.

“특성 중요도와 SHAP”에서 뭘 배우나요?

모델이 가장 많이 의존한 요소를 알아봅니다 브라우저에서 직접 실행하는 실습 코드로 Data Science Academy을(를) 배우며, 24/7 AI 튜터가 강의를 진행하면서 질문에 답변해줍니다.

Data Science Academy을(를) 시작하는 데 경험이 필요한가요?

사전 경험은 필요하지 않습니다. CoddyKit의 Data Science Academy은(는) 초급자부터 고급 학습자까지를 위해 구성되어 있으므로, 여기서 시작하거나 처음부터 시작할 수 있으며 자신의 속도대로 진행할 수 있습니다. 이것은 4개 중 1번째 강의입니다.

“특성 중요도와 SHAP” 강의는 얼마나 걸리나요?

대부분의 CoddyKit 강의는 약 5~10분이 소요됩니다. 각 강의는 간결하고 인터랙티브하여 꾸준한 진행이 가능하며, 웹과 앱에서 중단한 부분부터 바로 시작할 수 있습니다.

이 Data Science Academy 강의에서 코드를 작성하고 실행할 수 있나요?

네. 모든 Data Science Academy 강의에는 내장 코드 에디터가 포함되어 있으므로, 브라우저에서 바로 실제 코드를 작성하고 실행한 후 즉시 AI 피드백을 받을 수 있습니다 — 로컬 설정이 필요 없습니다.

이 강의의 모든 강의

← Data Science Academy(으)로 돌아가기