Importância dos recursos e SHAP
Em quais recursos o modelo mais se baseou.
Importância dos recursos e SHAP é uma aula grátis de Data Science Academy no CoddyKit. Esta é a aula 1 de 4. Você pode ler a aula completa abaixo gratuitamente — depois pratica ao vivo no navegador com um editor de código integrado e um tutor de IA 24/7. Faz parte do caminho de aprendizado de Data Science Academy, e seu progresso é sincronizado entre a web e o app CoddyKit. O curso de Data Science Academy inclui 4 aulas no total.
Partes desta aula ainda não foram traduzidas e aparecem em inglês.
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. 🎯
Perguntas Frequentes
A aula “Importância dos recursos e SHAP” é grátis?
Sim — o texto completo de “Importância dos recursos e SHAP” é grátis para ler aqui na web. Para praticá-la interativamente (um editor de código integrado e um tutor de IA 24/7) e desbloquear o restante do curso de Data Science Academy, atualize para CoddyKit PRO. O curso de Data Science Academy inclui 4 aulas no total.
O que vou aprender em “Importância dos recursos e SHAP”?
Em quais recursos o modelo mais se baseou. Você pratica Data Science Academy com código prático que executa diretamente no navegador, e um tutor de IA 24/7 responde suas dúvidas enquanto trabalha na aula.
Preciso ter experiência prévia para começar Data Science Academy?
Nenhuma experiência prévia é necessária. Data Science Academy no CoddyKit é estruturado para alunos iniciantes até avançados, então você pode começar aqui ou desde o início e aprender no seu ritmo. Esta é a aula 1 de 4.
Quanto tempo leva a aula “Importância dos recursos e SHAP”?
A maioria das aulas CoddyKit leva cerca de 5–10 minutos. Cada uma é compacta e interativa, então você faz progresso constante e retoma exatamente de onde parou entre web e app.
Posso escrever e executar código nesta aula de Data Science Academy?
Sim. Cada aula de Data Science Academy inclui um editor de código integrado, então você escreve e executa código real direto no navegador e recebe feedback de IA instantaneamente — nenhuma configuração local necessária.
Todas as aulas deste curso
- Importância dos recursos e SHAP
- Intuição da dependência parcial
- Gráficos que convencem as partes interessadas
- Do notebook ao painel