Wyjaśnialność modeli liniowych

Wyjaśnialne AI w Pythonie

Fouad Trad

Machine Learning Engineer

Modele liniowe

Regresja liniowa

Przewiduje wartości ciągłe

Obraz przedstawiający linię dopasowaną do wielu punktów, gdzie oś x to wynik testu, a oś y to szansa na przyjęcie.

Modele liniowe

Regresja liniowa

Przewiduje wartości ciągłe

Obraz przedstawiający linię dopasowaną do wielu punktów, gdzie oś x to wynik testu, a oś y to szansa na przyjęcie.

Regresja logistyczna

Stosowana do klasyfikacji binarnej

Obraz przedstawiający linię separującą punkty danych reprezentujące transakcje według kwoty i czasu ich wykonania.

Dlaczego modele liniowe są wyjaśnialne?

Uczą się liniowej kombinacji cech wejściowych
$c_0 + c_1 \times \text{feature}_1 + c_2 \times \text{feature}_2 + \ldots + c_n \times \text{feature}_n$

Obraz przedstawiający te same wykresy regresji liniowej i logistycznej, z równaniami: regresja liniowa uczy się równania postaci Cena telefonu=푐_0+푐_1∗Pamięć, a regresja logistyczna uczy się równania postaci 푐_0+푐_1∗Pora dnia+푐_2∗Kwota transakcji=0

Współczynniki

Informują o ważności każdej cechy
- Wyższa wartość bezwzględna → wyższa ważność
- Niższa wartość bezwzględna → niższa ważność
Porównanie współczynników → wartości bezwzględne
Uwaga: Przed obliczeniem współczynników znormalizuj skale cech

Obraz przedstawiający równanie Cena telefonu=푐_0+5∗Pamięć+2∗Liczba obiektywów z zaznaczonymi współczynnikami

Współczynniki

Informują o ważności każdej cechy
- Wyższa wartość bezwzględna → wyższa ważność
- Niższa wartość bezwzględna → niższa ważność
Porównanie współczynników → wartości bezwzględne
Uwaga: Przed obliczeniem współczynników znormalizuj skale cech

Obraz przedstawiający równanie Cena telefonu=𝑐_0+𝑐_1∗Pamięć+c_2∗Liczba obiektywów, z zaznaczeniem, że pamięć jest zazwyczaj w setkach lub tysiącach GB, a liczba obiektywów zwykle poniżej 4.

Rekrutacja na studia

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']

Trenowanie 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)

Obliczanie współczynników

Regresja liniowa

print(lin_reg.coef_)

[0.03052087 0.01665433 0.00668971 
 0.00326926 0.01724815 0.0661691 ]

Regresja logistyczna

print(log_reg.coef_)

[[1.28985577  0.49441086  0.47593379 
  0.05434322  0.41800927  1.31980189]]

Wizualizacja współczynników

Regresja liniowa

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

Wykres słupkowy ważności cech pokazujący, że CGPA i wynik GRE są najważniejszymi cechami.

Regresja logistyczna

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

Wykres słupkowy ważności cech pokazujący, że CGPA i wynik GRE są najważniejszymi cechami.

Czas na ćwiczenia!

Wyjaśnialne AI w Pythonie