Machine Learning Interpretable: SHAP, PDP y permutacion

от партнера
Coursera Project Network
В этом Проект с консультациями вы:

Conocer los fundamentos de la interpretabilidad de modelos

Aplicar librerías para la interpretabilidad de modelos como: SHAP, Partial Dependence Plot y Permutation importance

Desarrollar modelos interpretables de Random Forest, LightGBM, etc

Clock2 horas
IntermediateУчащийся среднего уровня
CloudЗагрузка не требуется
VideoВидео на разделенном экране
Comment DotsИспанский
LaptopТолько для ПК

Este proyecto es un curso práctico y efectivo para aprender a generar modelos de Machine Learning interpretables. Se explican en profundidad diferentes técnicas de interpretabilidad de modelos como: SHAP, Partial Dependence Plot, Permutation importance, etc que nos permitirá entender el porqué de las predicciones. Gracias a esto, aprenderás a entrenar modelos Glassbox que puedas entender el porqué de sus decisiones.

Навыки, которые вы получите

  • Python Programming
  • SHAP
  • Machine Learning Interpretability
  • MAchine Learning interpretable

Будете учиться пошагово

На видео, которое откроется рядом с рабочей областью, преподаватель объяснит эти шаги:

  1. Introducción a la interpretabilidad de modelos en Machine Learning

  2. Desarrollo del modelo de Machine Learning

  3. Importancia de las variables: Permutation Importance

  4. Efecto de las variables: Partial Dependence Plots

  5. Entendiendo las predicciones individuales: SHAP

  6. SHAP con LightGBM

Как устроены проекты с консультациями

Ваше рабочее пространство — это облачный рабочий стол в браузере. Ничего не нужно загружать.

На разделенном экране видео преподаватель предоставляет пошаговые

Часто задаваемые вопросы

Часто задаваемые вопросы

Остались вопросы? Посетите Центр поддержки учащихся.