लिनीयर मॉडलों में समझनीयता

Python में Explainable AI

Fouad Trad

Machine Learning Engineer

लिनीयर मॉडल

लिनीयर रिग्रेशन
  • सतत मानों की भविष्यवाणी करता है

एक रेखा जो कई बिंदुओं पर फिट होती है; x-अक्ष टेस्ट स्कोर और y-अक्ष प्रवेश की संभावना दिखाता है.

Python में Explainable AI

लिनीयर मॉडल

लिनीयर रिग्रेशन
  • सतत मानों की भविष्यवाणी करता है

एक रेखा जो कई बिंदुओं पर फिट होती है; x-अक्ष टेस्ट स्कोर और y-अक्ष प्रवेश की संभावना दिखाता है.

लॉजिस्टिक रिग्रेशन
  • बाइनरी क्लासिफिकेशन के लिए उपयोग होता है

एक रेखा जो डेटा पॉइंट्स को अलग करती है; पॉइंट्स ट्रांजैक्शन अमाउंट और समय के आधार पर ट्रांजैक्शन दिखाते हैं.

Python में Explainable AI

लिनीयर मॉडल समझने योग्य क्यों हैं?

  • इनपुट फीचर्स का लिनीयर कॉम्बिनेशन सीखते हैं
  • $c_0 + c_1 \times \text{feature}_1 + c_2 \times \text{feature}_2 + \ldots + c_n \times \text{feature}_n$

पहले जैसे ही लिनीयर और लॉजिस्टिक रिग्रेशन ग्राफ, पर साथ में प्रत्येक का सीखा हुआ समीकरण: लिनीयर रिग्रेशन Mobile price=푐_0+푐_1∗Storage के रूप में, और लॉजिस्टिक रिग्रेशन 푐_0+푐_1∗Time of day+푐_2∗Transaction amount=0 के रूप में.

Python में Explainable AI

कोएफिशिएंट्स

  • हर फीचर का महत्व बताते हैं
    • उच्च absolute मान → अधिक महत्व
    • निम्न absolute मान → कम महत्व
  • कोएफिशिएंट्स की तुलना के लिए → absolute मान
  • नोट: कोएफिशिएंट्स निकालने से पहले फीचर स्केल्स नॉर्मलाइज़ करें

समीकरण Mobile price=푐_0+5∗Storage+2∗Number of lenses, जिसमें कोएफिशिएंट्स हाइलाइट हैं.

Python में Explainable AI

कोएफिशिएंट्स

  • हर फीचर का महत्व बताते हैं
    • उच्च absolute मान → अधिक महत्व
    • निम्न absolute मान → कम महत्व
  • कोएफिशिएंट्स की तुलना के लिए → absolute मान
  • नोट: कोएफिशिएंट्स निकालने से पहले फीचर स्केल्स नॉर्मलाइज़ करें

समीकरण Mobile price=𝑐_0+𝑐_1∗Storage+c_2∗Number of lenses, दिखाता है कि Storage सामान्यतः सैकड़ों-हज़ारों GB में होता है, और lenses की संख्या प्रायः 4 से कम.

Python में Explainable AI

एडमिशन्स

GRE स्कोर TOEFL स्कोर यूनिवर्सिटी रेटिंग SOP LOR CGPA प्रवेश की संभावना स्वीकार
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']
Python में Explainable AI

मॉडल प्रशिक्षण

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)
Python में Explainable AI

कोएफिशिएंट्स निकालना

लिनीयर रिग्रेशन
print(lin_reg.coef_)

[0.03052087 0.01665433 0.00668971 
 0.00326926 0.01724815 0.0661691 ]
लॉजिस्टिक रिग्रेशन
print(log_reg.coef_)

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

कोएफिशिएंट्स का विज़ुअलाइज़ेशन

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

महत्त्व का बार प्लॉट, जिसमें CGPA और GRE स्कोर सबसे महत्त्वपूर्ण फीचर दिखते हैं.

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

महत्त्व का बार प्लॉट, जिसमें CGPA और GRE स्कोर सबसे महत्त्वपूर्ण फीचर दिखते हैं.

Python में Explainable AI

अभ्यास करते हैं!

Python में Explainable AI

Preparing Video For Download...