Doğrusal modellerde açıklanabilirlik

Python ile Açıklanabilir AI

Fouad Trad

Machine Learning Engineer

Doğrusal modeller

Doğrusal regresyon

Sürekli değerler tahmin eder

Bir doğru, birden çok noktayı uyar; x ekseni sınav puanı, y ekseni kabul olasılığıdır.

Doğrusal modeller

Doğrusal regresyon

Sürekli değerler tahmin eder

Bir doğru, birden çok noktayı uyar; x ekseni sınav puanı, y ekseni kabul olasılığıdır.

Lojistik regresyon

İkili sınıflandırma için kullanılır

Bir doğru, işlem tutarı ve zamanına göre işlemleri ayıran sınırı gösterir.

Neden doğrusal modeller açıklanabilir?

Girdi özelliklerinin doğrusal bir birleşimini öğrenir
$c_0 + c_1 \times \text{feature}_1 + c_2 \times \text{feature}_2 + \ldots + c_n \times \text{feature}_n$

Önceki doğrusal ve lojistik regresyon grafiklerine, her birinin öğrendiği denklem eklenmiştir: doğrusal regresyon Mobil fiyat=푐_0+푐_1∗Depolama, lojistik regresyon 푐_0+푐_1∗Günün saati+푐_2∗İşlem tutarı=0 formunu öğrenir.

Katsayılar

Her özelliğin önemini belirtir
- Mutlak değer yüksek → önem yüksek
- Mutlak değer düşük → önem düşük
Katsayıları karşılaştırırken → mutlak değerler
Not: Katsayıları hesaplamadan önce özellikleri ölçekleyin

Denklemde Mobil fiyat=푐_0+5∗Depolama+2∗Lens sayısı, katsayılar vurgulanır.

Katsayılar

Her özelliğin önemini belirtir
- Mutlak değer yüksek → önem yüksek
- Mutlak değer düşük → önem düşük
Katsayıları karşılaştırırken → mutlak değerler
Not: Katsayıları hesaplamadan önce özellikleri ölçekleyin

Denklemde Mobil fiyat=𝑐_0+𝑐_1∗Depolama+c_2∗Lens sayısı gösteriliyor; Depolama genelde yüzlerce–binlerce GB, lens sayısı çoğunlukla 4'ten azdır.

Başvurular

GRE Puanı	TOEFL Puanı	Üniversite Puanı	SOP	LOR	CGPA	Kabul Olasılığı	Kabul
337	118	4	4.5	4.5	9.65	0.92	1
324	107	4	4	4.5	8.87	0.76	1
316	104	3	3	3.5	8	0.72	1
322	110	3	3.5	2.5	8.67	0.8	1
314	103	2	2	3	8.21	0.45	0

X_train = data.drop(['Chance of Admit', 'Accept'], axis=1)

y_reg = data['Chance of Admit']

y_cls = data['Accept']

Model eğitimi

from sklearn.preprocessing import MinMaxScaler
from sklearn.linear_model import LinearRegression, LogisticRegression


scaler = MinMaxScaler()
X_train_scaled = scaler.fit_transform(X_train)


lin_reg = LinearRegression()
lin_reg.fit(X_train_scaled, y_reg)


log_reg = LogisticRegression()
log_reg.fit(X_train_scaled, y_cls)

Katsayıların hesaplanması

Doğrusal regresyon

print(lin_reg.coef_)

[0.03052087 0.01665433 0.00668971 
 0.00326926 0.01724815 0.0661691 ]

Lojistik regresyon

print(log_reg.coef_)

[[1.28985577  0.49441086  0.47593379 
  0.05434322  0.41800927  1.31980189]]

Katsayıların görselleştirilmesi

Doğrusal regresyon

import matplotlib.pyplot as plt
plt.bar(X_train.columns, lin_reg.coef_)

Bir çubuk grafiği: CGPA ve GRE puanının en önemli özellikler olduğunu gösteriyor.

Lojistik regresyon

import matplotlib.pyplot as plt
plt.bar(X_train.columns, log_reg.coef_[0])

Bir çubuk grafiği: CGPA ve GRE puanının en önemli özellikler olduğunu gösteriyor.

Hadi pratik yapalım!

Python ile Açıklanabilir AI