SHAP kernel explainer

Объяснимый ИИ на Python

Fouad Trad

Machine Learning Engineer

SHAP kernel explainer

Вычисляет SHAP-значения для любой модели
- K ближайших соседей
- Нейронные сети
- Древовидные модели
Медленнее специализированных объяснителей

Изображение, показывающее разделение SHAP-объяснителей на универсальные, применимые к любой модели, и специализированные, оптимизированные для конкретных типов моделей.

Сердечные заболевания

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: многослойный перцептрон для предсказания риска сердечного заболевания

Страховые выплаты

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: многослойный перцептрон для предсказания страховых выплат

Создание kernel explainer

MLPRegressor

import shap


explainer = shap.KernelExplainer(
  # Model's prediction function, 
  # Representative summary of dataset
)

MLPClassifier

import shap


explainer = shap.KernelExplainer(
  # Model's prediction function, 
  # Representative summary of dataset
)

Создание kernel explainer

MLPRegressor

import shap

explainer = shap.KernelExplainer(
  mlp_reg.predict, 
  # Representative summary of dataset
)

MLPClassifier

import shap

explainer = shap.KernelExplainer(
  mlp_clf.predict_proba, 
  # Representative summary of dataset
)

Создание kernel explainer

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)

Важность признаков

MLPRegressor

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

plt.bar(X.columns, mean_reg)

Столбчатая диаграмма важности признаков для задачи регрессии: курение и возраст оказывают наибольшее влияние на предсказание страховых выплат.

MLPClassifier

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

plt.bar(X.columns, mean_cls)

Столбчатая диаграмма важности признаков для задачи классификации: тип боли в груди и талассемия оказывают наибольшее влияние на предсказание риска сердечного заболевания.

Сравнение со специализированными подходами

Линейная регрессия

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

Столбчатая диаграмма важности признаков для линейной регрессии: курение и возраст оказывают наибольшее влияние на предсказание страховых выплат.

Логистическая регрессия

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

Столбчатая диаграмма важности признаков для задачи классификации: тип боли в груди оказывает наибольшее влияние на предсказание риска сердечного заболевания.

Давайте потренируемся!

Объяснимый ИИ на Python