Explicador kernel de SHAP

IA explicable en Python

Fouad Trad

Machine Learning Engineer

Explicador kernel de SHAP

Obtiene valores SHAP para cualquier modelo
- K vecinos más cercanos
- Redes neuronales
- Modelos basados en árboles
Más lento que los explicadores específicos por tipo

Imagen que muestra que los explicadores SHAP se dividen entre explicadores generales aplicables a cualquier modelo y explicadores específicos optimizados para tipos concretos.

Cardiopatía

age	sex	blood_pressure	ecg_results	thalassemia
52	1	125	1	3
53	1	140	0	3
70	1	145	1	3
61	1	148	1	3
62	0	138	1	2

mlp_clf: perceptrón multicapa que predice riesgo de cardiopatía

Cargos de seguro

age	gender	bmi	children	smoker	charges
19	0	27.900	0	1	16884.92
18	1	33.770	1	0	1725.55
28	1	33.000	3	0	4449.46
33	1	22.705	0	0	21984.47
32	1	28.880	0	0	3866.85

mlp_reg: perceptrón multicapa que predice cargos de seguro

Creación de explicadores kernel

MLPRegressor

import shap


explainer = shap.KernelExplainer(
  # Función de predicción del modelo, 
  # Resumen representativo del dataset
)

MLPClassifier

import shap


explainer = shap.KernelExplainer(
  # Función de predicción del modelo, 
  # Resumen representativo del dataset
)

Creación de explicadores kernel

MLPRegressor

import shap

explainer = shap.KernelExplainer(
  mlp_reg.predict, 
  # Resumen representativo del dataset
)

MLPClassifier

import shap

explainer = shap.KernelExplainer(
  mlp_clf.predict_proba, 
  # Resumen representativo del dataset
)

Creación de explicadores kernel

MLPRegressor

import shap

explainer = shap.KernelExplainer(
  mlp_reg.predict, 
  shap.kmeans(X, 10)
)


shap_values_reg = explainer.shap_values(X)

MLPClassifier

import shap

explainer = shap.KernelExplainer(
  mlp_clf.predict_proba, 
  shap.kmeans(X, 10)
)


shap_values_cls = explainer.shap_values(X)

Importancia de variables

MLPRegressor

mean_reg = np.abs(shap_values_reg).mean(axis=0)

plt.bar(X.columns, mean_reg)

Imagen con un diagrama de barras de importancia de variables en regresión, donde fumar y la edad son los factores más influyentes para predecir los cargos.

MLPClassifier

mean_cls = np.abs(shap_values_cls[:,:,1]).mean(axis=0)

plt.bar(X.columns, mean_cls)

Imagen con un diagrama de barras de importancia de variables en clasificación, donde el tipo de dolor de pecho y la talasemia son los factores más influyentes para predecir los cargos.

Comparación con enfoques específicos del modelo

Regresión lineal

plt.bar(X.columns, np.abs(lin_reg.coef_))

Imagen con un diagrama de barras de importancia de variables usando un modelo de regresión lineal, donde fumar y la edad son los factores más influyentes para predecir los cargos.

Regresión logística

plt.bar(X.columns, np.abs(log_reg.coef_[0]))

Imagen con un diagrama de barras de importancia de variables en clasificación, donde el tipo de dolor de pecho es el factor más influyente para predecir los cargos.

¡Vamos a practicar!

IA explicable en Python