Machine Learning Interpretable: SHAP, PDP y permutacion

提供方
Coursera Project Network
在此指導項目中,您將:

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
Intermediate中級
Cloud無需下載
Video分屏視頻
Comment Dots西班牙語(Spanish)
Laptop僅限桌面

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.

您要培養的技能

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

分步進行學習

在與您的工作區一起在分屏中播放的視頻中,您的授課教師將指導您完成每個步驟:

  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

指導項目工作原理

您的工作空間就是瀏覽器中的雲桌面,無需下載

在分屏視頻中,您的授課教師會為您提供分步指導

常見問題

常見問題

還有其他問題嗎?請訪問 學生幫助中心