Vysvětlitelnost lineárních modelů

Explainable AI v Pythonu

Fouad Trad

Machine Learning Engineer

Lineární modely

Lineární regrese

Predikuje spojité hodnoty

Obrázek zobrazující přímku procházející více body, kde osa x představuje skóre testu a osa y pravděpodobnost přijetí.

Lineární modely

Lineární regrese

Predikuje spojité hodnoty

Obrázek zobrazující přímku procházející více body, kde osa x představuje skóre testu a osa y pravděpodobnost přijetí.

Logistická regrese

Používá se pro binární klasifikaci

Obrázek zobrazující přímku oddělující datové body reprezentující transakce podle výše transakce a času provedení.

Proč jsou lineární modely vysvětlitelné?

Učí se lineární kombinaci vstupních příznaků
$c_0 + c_1 \times \text{feature}_1 + c_2 \times \text{feature}_2 + \ldots + c_n \times \text{feature}_n$

Obrázek zobrazující stejné grafy lineární a logistické regrese jako dříve, ale s rovnicemi, které každá z nich učí: lineární regrese učí rovnici tvaru Cena telefonu=푐_0+푐_1∗Úložiště a logistická regrese učí rovnici tvaru 푐_0+푐_1∗Denní doba+푐_2∗Výše transakce=0

Koeficienty

Udávají důležitost každého příznaku
- Vyšší absolutní hodnota → vyšší důležitost
- Nižší absolutní hodnota → nižší důležitost
Porovnání koeficientů → absolutní hodnoty
Poznámka: Před výpočtem koeficientů normalizujte škály příznaků

Obrázek zobrazující rovnici Cena telefonu=푐_0+5∗Úložiště+2∗Počet objektivů, zvýrazňující koeficienty

Koeficienty

Udávají důležitost každého příznaku
- Vyšší absolutní hodnota → vyšší důležitost
- Nižší absolutní hodnota → nižší důležitost
Porovnání koeficientů → absolutní hodnoty
Poznámka: Před výpočtem koeficientů normalizujte škály příznaků

Obrázek zobrazující rovnici Cena telefonu=𝑐_0+𝑐_1∗Úložiště+c_2∗Počet objektivů, zdůrazňující, že velikosti úložišť jsou typicky v rozsahu stovek až tisíců gigabajtů a počet objektivů je obvykle menší než 4.

Přijímací řízení

GRE Score	TOEFL Score	University Rating	SOP	LOR	CGPA	Chance of Admit	Accept
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']

Trénování modelu

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)

Výpočet koeficientů

Lineární regrese

print(lin_reg.coef_)

[0.03052087 0.01665433 0.00668971 
 0.00326926 0.01724815 0.0661691 ]

Logistická regrese

print(log_reg.coef_)

[[1.28985577  0.49441086  0.47593379 
  0.05434322  0.41800927  1.31980189]]

Vizualizace koeficientů

Lineární regrese

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

Sloupcový graf důležitostí ukazující, že CGPA a skóre GRE jsou nejdůležitější příznaky.

Logistická regrese

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

Sloupcový graf důležitostí ukazující, že CGPA a skóre GRE jsou nejdůležitější příznaky.

Pojďme si procvičit!

Explainable AI v Pythonu