Feature importance en SHAP
Waar het model het meest op steunde
Feature importance en SHAP is een gratis Data Science Academy-les op CoddyKit. Dit is les 1 van 4. Je kunt de volledige les hieronder gratis lezen en daarna in de browser praktisch oefenen met een ingebouwde code-editor en een AI-begeleider die 24/7 beschikbaar is. Deze les maakt deel uit van het leertraject Data Science Academy. Je voortgang wordt gesynchroniseerd op het web en in de CoddyKit-app. De cursus Data Science Academy bevat in totaal 4 lessen.
Welke kenmerken waren belangrijk?
Nadat een model is getraind, wil je weten welke invoerwaarden zijn voorspellingen hebben bepaald. Die rangschikking heet kenmerkbelang. 🔍
Ingebouwd belang van bomen
Modellen op basis van bomen bieden een snelle array feature_importances_. Hogere waarden betekenen dat het kenmerk vaker is gebruikt om de gegevens te splitsen.
importances = model.feature_importances_Koppel het aan namen
De array met belangsscores bevat alleen getallen. Combineer die daarom met je kolomnamen om te zien bij welk kenmerk elke score hoort.
import pandas as pd
fi = pd.Series(model.feature_importances_, index=X.columns)Sorteer om de belangrijkste aanjagers te zien
Door de Series met belangsscores te sorteren, zie je welke paar kenmerken het grootste deel van het signaal in je model dragen.
fi.sort_values(ascending=False).head()De beperking van bomen
Ingebouwde boomscores kunnen kolommen met veel verschillende waarden bevoordelen. Ze laten zien hoe vaak iets is gebruikt, maar niet altijd wat de echte impact op voorspellingen is.
Permutatiebelang
Een eerlijkere, modelonafhankelijke methode is permutatiebelang: schud één kolom en meet hoeveel de score daalt.
from sklearn.inspection import permutation_importance
r = permutation_importance(model, X_test, y_test)Maak kennis met SHAP
Voor details per voorspelling gebruik je SHAP-waarden. Die verdelen elke voorspelling eerlijk over de kenmerken die haar hebben veroorzaakt.
SHAP is speltheorie
SHAP leent ideeën uit de speltheorie: elk kenmerk is een speler en zijn waarde is de bijdrage die het krijgt voor één specifieke voorspelling.
Bereken SHAP-waarden
Je maakt een explainer voor je aangepaste model en vraagt die vervolgens om SHAP-waarden voor de rijen die je wilt onderzoeken.
import shap
explainer = shap.Explainer(model)
values = explainer(X_test)Globaal belang uit lokale uitleg
Neem over alle rijen het gemiddelde van de absolute SHAP-waarden. Zo krijg je een betrouwbare globale rangschikking van het belang, opgebouwd uit lokale verklaringen.
shap.plots.bar(values)Leg één voorspelling uit
SHAP laat ook zien waarom één rij deze score kreeg. Het vermeldt welke kenmerken de voorspelling verhoogden en welke haar verlaagden.
shap.plots.waterfall(values[0])Korte controle
Welke methode geeft een eerlijke, modelonafhankelijke belangsscore?
Samenvatting
Je hebt kenmerken gerangschikt met methoden op basis van bomen, permutatie en SHAP en bent zo van snelle scores naar eerlijke bijdrage per voorspelling gegaan. Hierna zie je hoe één kenmerk de uitvoer beïnvloedt. 🎯
Leer Python met een AI-tutor — gratis
Schrijf echte code en voer die uit in je browser, krijg direct hulp van een AI-tutor die 24/7 beschikbaar is en ga verder waar je gebleven bent op het web of in de app.
- Cursussen
- 30
- Lessen
- 120
Veelgestelde vragen
Is de les “Feature importance en SHAP” gratis?
Ja — de volledige tekst van “Feature importance en SHAP” kun je hier gratis op het web lezen. Als je interactief wilt oefenen met een ingebouwde code-editor en een AI-begeleider die 24/7 beschikbaar is, en de rest van de cursus Data Science Academy wilt ontgrendelen, kun je upgraden naar CoddyKit PRO. De cursus Data Science Academy bevat in totaal 4 lessen.
Wat leer ik in “Feature importance en SHAP”?
Waar het model het meest op steunde Je oefent met Data Science Academy door code rechtstreeks in de browser uit te voeren. Een AI-begeleider die 24/7 beschikbaar is beantwoordt je vragen terwijl je de les doorwerkt.
Heb ik ervaring nodig om met Data Science Academy te beginnen?
Ervaring vooraf is niet nodig. Data Science Academy op CoddyKit is opgebouwd voor beginners tot gevorderden, zodat je hier of bij het begin kunt starten en in je eigen tempo kunt leren. Dit is les 1 van 4.
Hoe lang duurt de les “Feature importance en SHAP”?
De meeste lessen van CoddyKit duren ongeveer 5–10 minuten. Elke les is kort en interactief, zodat je gestaag vooruitgaat en op het web en in de app precies verdergaat waar je was gebleven.
Kan ik code schrijven en uitvoeren in deze les over Data Science Academy?
Ja. Elke les over Data Science Academy bevat een ingebouwde code-editor, zodat je rechtstreeks in je browser echte code kunt schrijven en uitvoeren en direct feedback van AI krijgt — lokale installatie is niet nodig.
Alle lessen in deze cursus
- Feature importance en SHAP
- Intuïtie achter partial dependence
- Diagrammen die stakeholders overtuigen
- Van notebook naar dashboard