Lässt es sich mit cremefarbenem Papier, einer Tönung, mehr Kontrast oder größerer Schrift besser lesen? Wählen Sie Ihre Farben und Ihre Schrift, einmalig für alle Seiten.

Kostenlose Lektion

Vorhersagen eines Modells erklären

Nach dieser Lektion: Ich kann erklären, welche Eingaben eine Vorhersage bestimmen.

Lektion, 55 Min.1 BefehlJupyterLab-Lab für Data Science: pandas, Matplotlib und scikit-learn im Browser

Warum hat das Modell so entschieden?

Eine Vorhersage erklären heißt zeigen, welche Eingaben sie bestimmt haben. Wer abgelehnt wird, will den Grund wissen, und die Verantwortlichen wollen prüfen, ob er stimmt.

Ein Programm bewertet Bewerbungen mit einem Punktwert. Eine Person fragt, warum sie nur 53 Punkte hat. „Das Modell hat es so berechnet“ ist keine Antwort.

Am Ende dieser Lektion

Notiz

Ich kann erklären, welche Eingaben eine Vorhersage bestimmen.

Schlüsselwörter

BegriffWas er bedeutetBeispiel
Eingabeein Wert, den ein Modell für seine Vorhersage nutztBerufsjahre
Vorhersagedas Ergebnis, das ein Modell für einen Fall liefert
Gewichtwie stark eine Eingabe die Vorhersage verschiebt
Erklärungdie Antwort auf die Frage, warum diese Vorhersage
Wirkungdie Änderung der Vorhersage, wenn sich eine Eingabe ändert

Die Zellen, die Lernende ausfüllen, bleiben in dieser Vorschau leer.

Ein einfaches Modell zeigt seine Gewichte

Bei einer Geraden zeigt jedes Gewicht, wie stark eine Eingabe die Vorhersage verschiebt. Das ist schon eine Erklärung.

model.py im Lab passt eine Gerade an Temperatur und Regen an. Der Befehl unten gibt drei Zahlen aus: die Ausleihen je Grad, die Ausleihen je Millimeter Regen und R squared, also wie gut die Gerade passt.

Die Gewichte einer Geraden ausgeben

Befehl
docker exec jupyter python3 steps/model.py

Hier angezeigt, nicht ausgeführt. Erstellen Sie ein kostenloses Konto, um „Ausführen“ zu drücken und ihn im Terminal Ihres eigenen Labs einzugeben.

Beispiel: die Gewichte lesen

EingabeGewichtLesart
Temperatur11,2Ein Grad mehr bringt etwa 11 Ausleihen mehr
Regen-8,2Ein Millimeter mehr bringt etwa 8 Ausleihen weniger
R squared0,776Die Gerade erklärt etwa drei Viertel der Schwankung

Die Zellen, die Lernende ausfüllen, bleiben in dieser Vorschau leer.

Eine Eingabe zu ändern zeigt ihre Wirkung

Auch ein Modell ohne lesbare Gewichte lässt sich befragen. Sie ändern eine Eingabe, lassen alle anderen gleich und sehen, wie sich die Vorhersage bewegt. Diese Wirkung ist die Erklärung.

Das Beispiel: Ein Programm bewertet Bewerbungen mit 20 Punkten Grundwert, 5 Punkten je Berufsjahr und einem halben je Testpunkt. Für jeden Monat Lücke im Lebenslauf zieht es 2 Punkte ab.

Beispiel: eine Eingabe nach der anderen ändern

ÄnderungPunkte danachWirkung
Ausgangswert: 3 Jahre, 60 Testpunkte, 6 Monate Lücke53
Ein Berufsjahr mehr58+5
Zehn Testpunkte mehr58+5
Sechs Monate mehr Lücke41-12

Die Zellen, die Lernende ausfüllen, bleiben in dieser Vorschau leer.

Die Wirkung jeder Eingabe selbst ausrechnen

Code: python
# Der Punktwert einer Bewerbung: Grundwert, Berufsjahre, Testpunkte und Lücke im Lebenslauf
def punkte(erfahrung, testpunkte, luecke):
    return 20 + 5 * erfahrung + 0.5 * testpunkte - 2 * luecke

basis = punkte(3, 60, 6)
print("Ausgangswert:", basis)
print("ein Jahr mehr Erfahrung:", punkte(4, 60, 6) - basis)
print("zehn Testpunkte mehr:", punkte(3, 70, 6) - basis)
print("sechs Monate mehr Lücke:", punkte(3, 60, 12) - basis)
# Ändern Sie die Person und prüfen Sie: Wirkt ein Jahr mehr Erfahrung immer gleich stark?

Eine Erklärung muss die Person verstehen

Eine gute Erklärung hat zwei Teile. Sie nennt die entscheidenden Eingaben in einfachen Worten: „Die Lücke von sechs Monaten kostete 12 Punkte.“ Und sie sagt, was sich ändern müsste.

Eine Erklärung zeigt, was das Modell tut. Sie zeigt nicht, ob es richtig ist. Ob eine Lücke überhaupt zählen darf, müssen Menschen prüfen.

Ein häufiger Fehler

Warnung

Viele denken, die Eingabe mit der größten Zahl vor sich sei die wichtigste. Ein Gewicht hängt aber von der Einheit ab: Ein halber Punkt je Testpunkt wirkt klein, zehn Testpunkte wirken so stark wie ein Berufsjahr. Vergleichen Sie Schritte, die im Leben vorkommen, und nicht die nackten Gewichte.

Weiterführend: Temperatur oder Regen

Welche Eingabe wirkt in model.py stärker: zehn Grad mehr oder zehn Millimeter mehr Regen? Rechnen Sie beides mit den Gewichten aus und schreiben Sie auf, wie Sie es der Leitung des Verleihs erklären würden.

Welche Schritte sind im Leben realistisch? Zehn Millimeter Regen kommen an einem nassen Tag vor, zehn Grad Unterschied zwischen zwei Wochen ebenfalls.

Über dieses Lab und seinen Quellcode: JupyterLab-Lab für Data Science: pandas, Matplotlib und scikit-learn im Browser

Sie unterrichten eine Gruppe? Weisen Sie dieses Modul Ihren Studierenden zu, mit Handbuch für Lehrende, automatisch geprüften Aufgaben und einem Lab für jede Person.