Пояснюваність у деревоподібних моделях

Пояснюваний ШІ в Python

Fouad Trad

Machine Learning Engineer

Дерево рішень

Базовий елемент деревоподібних моделей
Використовують для регресії та класифікації
Деревоподібна структура для прогнозів
- Кілька рішень
- Кожне рішення спирається на одну ознаку
Природно пояснювані

Схема дерева рішень, що показує, як прогнози будуються на основі кількох умов

Random forest

Складається з багатьох дерев рішень
Використовують для регресії та класифікації
Ускладнює пряму інтерпретацію
Важливість ознак
- Вимірює зменшення невизначеності в прогнозах
- Не те саме, що коефіцієнти в лінійних моделях

Зображення Random Forest як набору дерев, що отримують приклад і агрегують прогнози для остаточного результату.

Набір даних про вступ

GRE Score	TOEFL Score	University Rating	SOP	LOR	CGPA	Accept
337	118	4	4.5	4.5	9.65	1
324	107	4	4	4.5	8.87	1
316	104	3	3	3.5	8.00	1
322	110	3	3.5	2.5	8.67	1
314	103	2	2	3	8.21	0

X_train = data.drop(['Accept'], axis=1)
y_train = data['Accept']

Навчання моделей

from sklearn.tree import DecisionTreeClassifier


tree_model = DecisionTreeClassifier()
tree_model.fit(X_train, y_train)


print(tree_model.feature_importances_)

[0.17936982 0.08878744 0.04388924 
 0.0532897  0.07130751 0.56335628]

from sklearn.ensemble import RandomForestClassifier


forest_model = RandomForestClassifier()
forest_model.fit(X_train, y_train)


print(forest_model.feature_importances_)

[0.25347149 0.17518662 0.06551317 
 0.06758647 0.07866478 0.35957747]

Важливість ознак

import matplotlib.pyplot as plt

plt.barh(X_train.columns, 
         tree_model.feature_importances_)
plt.title('Feature Importance - Decision Tree')
plt.show()

Горизонтальна стовпчикова діаграма важливостей показує, що CGPA та GRE — найважливіші ознаки.

import matplotlib.pyplot as plt

plt.barh(X_train.columns, 
         forest_model.feature_importances_)
plt.title('Feature Importance - Random Forest')
plt.show()

Горизонтальна стовпчикова діаграма важливостей показує, що CGPA та GRE — найважливіші ознаки.

Давайте потренуємось!

Пояснюваний ШІ в Python