Ważność cech i SHAP
Na czym model najbardziej polegał
Ważność cech i SHAP to bezpłatna lekcja Data Science Academy na CoddyKit. To lekcja 1 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej Data Science Academy, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs Data Science Academy zawiera 4 lekcji w sumie.
Które cechy miały znaczenie?
Po wytrenowaniu modelu chcą Państwo wiedzieć, które dane wejściowe wpłynęły na jego predykcje. Taki ranking nazywa się ważnością cech. 🔍
Wbudowana ważność w drzewach
Modele drzewiaste udostępniają szybką tablicę feature_importances_. Wyższe wartości oznaczają, że dana cecha była częściej używana do dzielenia danych.
importances = model.feature_importances_Połącz ją z nazwami
Tablica ważności zawiera tylko liczby, dlatego należy połączyć ją z nazwami kolumn, aby zobaczyć, której cesze odpowiada każdy wynik.
import pandas as pd
fi = pd.Series(model.feature_importances_, index=X.columns)Posortuj, aby zobaczyć najważniejsze czynniki
Sortowanie Series z ważnościami uwidacznia kilka cech, które niosą większość informacji wykorzystywanych przez model.
fi.sort_values(ascending=False).head()Pułapka związana z drzewami
Wbudowane wyniki modeli drzewiastych mogą faworyzować kolumny o dużej liczbie unikalnych wartości. Pokazują wykorzystanie cechy, ale nie zawsze jej rzeczywisty wpływ na predykcje.
Ważność permutacyjna
Sprawiedliwszą metodą niezależną od modelu jest ważność permutacyjna: należy przetasować jedną kolumnę i zmierzyć, o ile spadnie wynik.
from sklearn.inspection import permutation_importance
r = permutation_importance(model, X_test, y_test)Poznaj SHAP
Do szczegółowej analizy pojedynczych predykcji służą wartości SHAP, które sprawiedliwie rozdzielają każdą predykcję między cechy, które ją spowodowały.
SHAP to teoria gier
SHAP czerpie z teorii gier: każda cecha jest graczem, a jej wartość to uznanie, jakie otrzymuje za udział w konkretnej predykcji.
Oblicz wartości SHAP
Należy utworzyć obiekt explainer dla wytrenowanego modelu, a następnie poprosić go o wartości SHAP dla interesujących Państwa wierszy.
import shap
explainer = shap.Explainer(model)
values = explainer(X_test)Globalna ważność z lokalnych wyjaśnień
Uśrednienie bezwzględnych wartości SHAP dla wszystkich wierszy daje wiarygodny globalny ranking ważności, zbudowany na podstawie lokalnych wyjaśnień.
shap.plots.bar(values)Wyjaśnij pojedynczą predykcję
SHAP pokazuje również, dlaczego pojedynczy wiersz otrzymał taki wynik, wskazując cechy, które podniosły predykcję, oraz te, które ją obniżyły.
shap.plots.waterfall(values[0])Szybkie sprawdzenie
Która metoda zapewnia sprawiedliwy, niezależny od modelu wynik ważności?
Podsumowanie
Uszeregowali Państwo cechy za pomocą metod drzewiastych, permutacyjnych i SHAP, przechodząc od szybkich wyników do sprawiedliwego przypisywania wpływu poszczególnym predykcjom. Następnie zobaczą Państwo, jak jedna cecha zmienia wynik. 🎯
Często zadawane pytania
Czy lekcja „Ważność cech i SHAP” jest bezpłatna?
Tak — pełny tekst „Ważność cech i SHAP” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu Data Science Academy, przejdź na CoddyKit PRO. Kurs Data Science Academy zawiera 4 lekcji w sumie.
Co nauczysz się w „Ważność cech i SHAP”?
Na czym model najbardziej polegał Ćwiczysz Data Science Academy z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.
Czy potrzebuję doświadczenia, aby zacząć Data Science Academy?
Nie wymagamy żadnego doświadczenia. Data Science Academy w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 1 z 4.
Ile czasu zajmuje lekcja „Ważność cech i SHAP”?
Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.
Czy mogę pisać i uruchamiać kod w tej lekcji Data Science Academy?
Tak. Każda lekcja Data Science Academy zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.
Wszystkie lekcje w tym kursie
- Ważność cech i SHAP
- Intuicja partial dependence
- Wykresy przekonujące interesariuszy
- Od notebooka do dashboardu