Machine Learning Interpretable: SHAP, PDP y permutacion

提供方
Coursera Project Network
在此指导项目中,您将:

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中级
Cloud无需下载
Video分屏视频
Comment Dots西班牙语(Spanish)
Laptop仅限桌面

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.

您要培养的技能

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

分步进行学习

在与您的工作区一起在分屏中播放的视频中,您的授课教师将指导您完成每个步骤:

  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

指导项目工作原理

您的工作空间就是浏览器中的云桌面,无需下载

在分屏视频中,您的授课教师会为您提供分步指导

常见问题

常见问题

还有其他问题吗?请访问 学生帮助中心