Keterjelasan pada model linear

Explainable AI in Python

Fouad Trad

Machine Learning Engineer

Model linear

Regresi linear
  • Memprediksi nilai kontinu

Gambar yang menampilkan garis yang memfitkan banyak titik, sumbu-x adalah skor tes dan sumbu-y adalah peluang diterima.

Explainable AI in Python

Model linear

Regresi linear
  • Memprediksi nilai kontinu

Gambar yang menampilkan garis yang memfitkan banyak titik, sumbu-x adalah skor tes dan sumbu-y adalah peluang diterima.

Regresi logistik
  • Untuk klasifikasi biner

Gambar yang menampilkan garis yang memisahkan banyak titik data yang merepresentasikan transaksi berdasarkan jumlah transaksi dan waktu eksekusinya.

Explainable AI in Python

Mengapa model linear dapat dijelaskan?

  • Mempelajari kombinasi linear fitur masukan
  • $c_0 + c_1 \times \text{feature}_1 + c_2 \times \text{feature}_2 + \ldots + c_n \times \text{feature}_n$

Gambar yang menampilkan grafik regresi linear dan logistik seperti sebelumnya, beserta persamaan yang dipelajari: regresi linear belajar persamaan Harga ponsel=푐_0+푐_1∗Penyimpanan, dan regresi logistik belajar persamaan 푐_0+푐_1∗Waktu hari+푐_2∗Jumlah transaksi=0

Explainable AI in Python

Koefisien

  • Menunjukkan pentingnya tiap fitur
    • Nilai absolut lebih tinggi → lebih penting
    • Nilai absolut lebih rendah → kurang penting
  • Untuk membandingkan koefisien → gunakan nilai absolut
  • Catatan: Normalisasi skala fitur sebelum menghitung koefisien

Gambar yang menampilkan persamaan Harga ponsel=푐_0+5∗Penyimpanan+2∗Jumlah lensa, menyoroti koefisiennya

Explainable AI in Python

Koefisien

  • Menunjukkan pentingnya tiap fitur
    • Nilai absolut lebih tinggi → lebih penting
    • Nilai absolut lebih rendah → kurang penting
  • Untuk membandingkan koefisien → gunakan nilai absolut
  • Catatan: Normalisasi skala fitur sebelum menghitung koefisien

Gambar yang menampilkan persamaan Harga ponsel=𝑐_0+𝑐_1∗Penyimpanan+c_2∗Jumlah lensa, menyoroti bahwa ukuran penyimpanan biasanya ratusan hingga ribuan Gigabyte, dan jumlah lensa biasanya kurang dari 4.

Explainable AI in Python

Penerimaan

Skor GRE Skor TOEFL Peringkat Universitas SOP LOR IPK Peluang Diterima Diterima
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']
Explainable AI in Python

Pelatihan model

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)
Explainable AI in Python

Menghitung koefisien

Regresi linear
print(lin_reg.coef_)

[0.03052087 0.01665433 0.00668971 
 0.00326926 0.01724815 0.0661691 ]
Regresi logistik
print(log_reg.coef_)

[[1.28985577  0.49441086  0.47593379 
  0.05434322  0.41800927  1.31980189]]
Explainable AI in Python

Memvisualisasikan koefisien

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

Plot batang pentingnya fitur yang menunjukkan CGPA dan skor GRE paling penting.

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

Plot batang pentingnya fitur yang menunjukkan CGPA dan skor GRE paling penting.

Explainable AI in Python

Ayo berlatih!

Explainable AI in Python

Preparing Video For Download...