Biarkan paket shapash python melakukan pekerjaan untuk Anda
Jangan datang ke presentasi Anda berikutnya tanpa persiapan
Memahami apa yang dilakukan model Anda sangatlah penting. Semakin banyak informasi yang Anda miliki untuk mengevaluasi model Anda, semakin baik Anda dapat menyesuaikannya. Meskipun Anda memiliki pemahaman mendalam tentang cara kerja algoritme, mitra bisnis Anda tidak. Anda harus mampu mempresentasikan temuan Anda dengan menarik dan menarik.
Ada kalanya mitra bisnis memiliki lebih banyak keahlian di bidangnya yang mungkin membantu memberikan konteks fitur. Jika mereka benar-benar memahami apa yang Anda sampaikan, mereka dapat membantu Anda menyempurnakan modelnya lebih jauh lagi.
Salah satu pertanyaan paling umum yang saya dengar adalah, “Data apa yang dimasukkan ke dalam model?” yang artinya “Fitur manakah yang paling penting?”. Anda harus siap menjawab pertanyaan itu dengan cara yang mereka pahami. Shapash memberikan beberapa keluaran menarik yang mungkin dapat membantu Anda menginformasikan kepada audiens Anda.
Mengapa mencoba shapash?
Selalu mencari paket menarik untuk digunakan dalam pekerjaan saya sehari-hari, saya menemukan shapash. Dan jika Anda mengenal saya, Anda tahu saya tidak suka kerepotan. Paket tersebut harus mudah digunakan, jika tidak, paket tersebut tidak akan memiliki peluang untuk membuktikan konsep secara cepat. Hanya beberapa baris kode yang menambahkan penjelasan interaktif dan seperti laporan ke skrip model Anda.
Menurut saya, sangat bermanfaat untuk meluangkan waktu Anda untuk memeriksa paket dan penawarannya. Penyiapannya sederhana (ingat, saya tidak terlalu suka kerepotan). Saya telah merinci langkah-langkahnya di bawah ini.
Instalasi
Seperti biasa, Anda disarankan untuk membuat lingkungan virtual baru. Saya telah menyertakan tautan ke proses instalasi di bagian Referensi di bawah. Untuk contoh ini saya menggunakan Jupyter, jadi saya hanya perlu menginstal ipywidgets (dan mengaktifkan) dan shapash.
Tambahkan blok kode sederhana ini.
Setelah Anda melatih model Anda (dalam contoh ini, 'regressor'), tambahkan blok kode sederhana untuk mengkompilasi dan mengeksekusi SmartExplainer. Ada contoh kode lengkap yang dilampirkan lebih jauh di bawah artikel ini.
from shapash.explainer.smart_explainer import SmartExplainer
# shapash Step 1: Declare SmartExplainer Object
xpl = SmartExplainer()
# shapash Step 2: Compile Model, Dataset, Encoders
xpl.compile( x=Xtest,
model=regressor,
preprocessing=encoder, #optional
y_pred=y_pred)
# shapash Step 3: Display interactive output
app = xpl.run_app()
Jalankan kode
Anda harus menjalankan kode mulai dari penyerapan data, rekayasa fitur, dan pelatihan model hingga penilaian model. Selanjutnya, saat Anda menjalankan run_app(), link aplikasi akan ditampilkan.
Cukup klik tautan itu untuk membuka jendela browser dengan keluaran Anda. Anda akan dapat menavigasi melalui berbagai visualisasi.
BONUS — cuplikan kode untuk menghasilkan laporan HTML
Saat Anda ingin berbagi temuan dengan rekan kerja, Anda dapat membuat laporan HTML untuk dibagikan.
# Step 4: Generate the Shapash Report
xpl.generate_report(
output_file='medium_spending_scores_report2.html',
project_info_file='shapash_project_info.yml',
x_train=Xtrain,
y_train=ytrain,
y_test=ytest,
title_story="Spending Scores Report",
title_description="""This is just an easy sample.
It was generated using the Shapash library.""",
metrics=[
{
'path': 'sklearn.metrics.mean_absolute_error',
'name': 'Mean absolute error',
}])
Kode Contoh Lengkap
Notebook dan file Jupyter:
versi .py:
Referensi
Kesimpulan
Saya pikir shapash mendapat tempat di kotak peralatan penjelasan model. Jika Anda tidak dapat menjelaskan pekerjaan Anda kepada rekan kerja non-teknis, hasil Anda mungkin akan terabaikan. Tidak ada seorang pun yang menginginkan hal itu terjadi.
Orang-orang yang saya lihat sedang mengembangkan karier ilmu data di tempat kerja adalah mereka yang presentasinya menarik dan berbicara langsung kepada audiens spesifiknya. Jadi, bersinarlah!
