SHAP-kernel-explainer

Explainable AI in Python

Fouad Trad

Machine Learning Engineer

SHAP-kernel-explainer

Levert SHAP-waarden voor elk model
- K-nearest neighbors
- Neurale netwerken
- Boombasede modellen
Trager dan type-specifieke explainers

Afbeelding die toont dat SHAP-explainers zijn verdeeld in algemene explainers (voor elk model) en type-specifieke explainers, geoptimaliseerd per modeltype.

Hartziekte

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: multilayer perceptron dat het risico op hartziekte voorspelt

Zorgkosten

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: multilayer perceptron dat zorgkosten voorspelt

Kernel-explainers maken

MLPRegressor

import shap


explainer = shap.KernelExplainer(
  # Voorspellingsfunctie van het model, 
  # Representatieve samenvatting van de dataset
)

MLPClassifier

import shap


explainer = shap.KernelExplainer(
  # Voorspellingsfunctie van het model, 
  # Representatieve samenvatting van de dataset
)

Kernel-explainers maken

MLPRegressor

import shap

explainer = shap.KernelExplainer(
  mlp_reg.predict, 
  # Representatieve samenvatting van de dataset
)

MLPClassifier

import shap

explainer = shap.KernelExplainer(
  mlp_clf.predict_proba, 
  # Representatieve samenvatting van de dataset
)

Kernel-explainers maken

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)

Feature-importance

MLPRegressor

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

plt.bar(X.columns, mean_reg)

Afbeelding met een staafdiagram van feature-importance voor de regressietaak; roken en leeftijd wegen het zwaarst bij het voorspellen van kosten.

MLPClassifier

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

plt.bar(X.columns, mean_cls)

Afbeelding met een staafdiagram van feature-importance voor de classificatietaak; pijn op de borst (type) en thalassemie wegen het zwaarst.

Vergelijking met modelspecifieke aanpakken

Lineaire regressie

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

Afbeelding met een staafdiagram van feature-importance met een lineair regressiemodel; roken en leeftijd wegen het zwaarst bij het voorspellen van kosten.

Logistische regressie

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

Afbeelding met een staafdiagram van feature-importance voor de classificatietaak; borstpijntype weegt het zwaarst.

Laten we oefenen!

Explainable AI in Python