Eksplorator jądra SHAP

Wyjaśnialne AI w Pythonie

Fouad Trad

Machine Learning Engineer

Eksplorator jądra SHAP

Wyznacza wartości SHAP dla dowolnego modelu
- K najbliższych sąsiadów
- Sieci neuronowe
- Modele drzewiaste
Wolniejszy niż eksploratory dedykowane

Schemat przedstawiający podział eksploratora SHAP na eksploratory ogólne (dla dowolnych modeli) i dedykowane (zoptymalizowane dla konkretnych typów modeli).

Choroba serca

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: wielowarstwowy perceptron przewidujący ryzyko choroby serca

Koszty ubezpieczenia

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: wielowarstwowy perceptron przewidujący koszty ubezpieczenia

Tworzenie eksploratora jądra

MLPRegressor

import shap


explainer = shap.KernelExplainer(
  # Funkcja predykcji modelu, 
  # Reprezentatywne podsumowanie zbioru danych
)

MLPClassifier

import shap


explainer = shap.KernelExplainer(
  # Funkcja predykcji modelu, 
  # Reprezentatywne podsumowanie zbioru danych
)

Tworzenie eksploratora jądra

MLPRegressor

import shap

explainer = shap.KernelExplainer(
  mlp_reg.predict, 
  # Reprezentatywne podsumowanie zbioru danych
)

MLPClassifier

import shap

explainer = shap.KernelExplainer(
  mlp_clf.predict_proba, 
  # Reprezentatywne podsumowanie zbioru danych
)

Tworzenie eksploratora jądra

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)

Ważność cech

MLPRegressor

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

plt.bar(X.columns, mean_reg)

Wykres słupkowy ważności cech w zadaniu regresji – palenie i wiek mają największy wpływ na przewidywane koszty.

MLPClassifier

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

plt.bar(X.columns, mean_cls)

Wykres słupkowy ważności cech w zadaniu klasyfikacji – typ bólu w klatce piersiowej i talasemia mają największy wpływ na przewidywane wyniki.

Porównanie z podejściami dedykowanymi

Regresja liniowa

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

Wykres słupkowy ważności cech w regresji liniowej – palenie i wiek mają największy wpływ na przewidywane koszty.

Regresja logistyczna

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

Wykres słupkowy ważności cech w zadaniu klasyfikacji – typ bólu w klatce piersiowej ma największy wpływ na przewidywane wyniki.

Ćwiczenia!

Wyjaśnialne AI w Pythonie