Icon

JKISeason2-13@obito_​od

Just Knime It season2-13@obito_od

Just KNIME It! Season2
Challenge 13
@obito_od回答例











Just KNIME It! season2-13 Knime ver. : 4.7.4 方針ヒントの内容をそのまま流用する。なおSHAPのお勉強とデータの特徴量に関しては↓を参照した。https://qiita.com/shin_mura/items/cde01198552eda9146b7 説明あなたは不動産会社に勤めるデータサイエンティストで、市町村によっては「1戸あたりの平均部屋数」（RM）が「1人あたりの犯罪率」（CRIM）に関係しているかもしれないという噂を耳にした。そこであなたは、自分が住み、働いているボストンについて、これが当てはまるかどうかを調査することにした。この目的のために、あなたは機械学習回帰モデルと最近勉強しているトピックで実験することにしました：XAIである。ボストンでは、RMとCRIMはどのようにつながっているのでしょうか？ヒント：SHAPループを使って各独立特徴のSHAP値を計算することを検討する。ヒント2：依存性プロットを使って、RMとCRIMがどのようにつながっているかを視覚的に検証してください。 Description: You ara a data scientist working for a real estate company, and heard a rumourthat the "average number of rooms per dwelling" (RM) may be connected to the "per capitacrime rate" (CRIM) depending on the city/town. You then decide to investigate if this is thecase for Boston, the city where you live and work from. To this end, you decide to experimentwith a machine learning regression model and with a topic that you have recently beenstudying: XAI. How are RM and CRIM connected in Boston? Hint: Consider calculating theSHAP values of each independent feature using a SHAP loop. Hint 2: Consider using adependence plot to verify how RM and CRIM are connected visually. データ読み込みtop:70%bottom:30%で分けるRMSHAP_RMCRIMで可視化color scaleのタイトルは表示させてからCRIMに変更すること終わりPrefix "SHAP"SHAP valuesfeature wiseまとめるRowID付け直しTarget Column:CRIMSHAPの重みづけSHAP LOOP始まり100で分けるモデル適用 CSV Reader Partitioning Dependence Plot SHAP Loop End Column Rename(Regex) Column Filter Joiner RowID Gradient Boosted TreesLearner (Regression) SHAP Summarizer SHAP Loop Start Row Sampling Gradient Boosted TreesPredictor (Regression) Just KNIME It! season2-13 Knime ver. : 4.7.4 方針ヒントの内容をそのまま流用する。なおSHAPのお勉強とデータの特徴量に関しては↓を参照した。https://qiita.com/shin_mura/items/cde01198552eda9146b7 説明あなたは不動産会社に勤めるデータサイエンティストで、市町村によっては「1戸あたりの平均部屋数」（RM）が「1人あたりの犯罪率」（CRIM）に関係しているかもしれないという噂を耳にした。そこであなたは、自分が住み、働いているボストンについて、これが当てはまるかどうかを調査することにした。この目的のために、あなたは機械学習回帰モデルと最近勉強しているトピックで実験することにしました：XAIである。ボストンでは、RMとCRIMはどのようにつながっているのでしょうか？ヒント：SHAPループを使って各独立特徴のSHAP値を計算することを検討する。ヒント2：依存性プロットを使って、RMとCRIMがどのようにつながっているかを視覚的に検証してください。 Description: You ara a data scientist working for a real estate company, and heard a rumourthat the "average number of rooms per dwelling" (RM) may be connected to the "per capitacrime rate" (CRIM) depending on the city/town. You then decide to investigate if this is thecase for Boston, the city where you live and work from. To this end, you decide to experimentwith a machine learning regression model and with a topic that you have recently beenstudying: XAI. How are RM and CRIM connected in Boston? Hint: Consider calculating theSHAP values of each independent feature using a SHAP loop. Hint 2: Consider using adependence plot to verify how RM and CRIM are connected visually. データ読み込みtop:70%bottom:30%で分けるRMSHAP_RMCRIMで可視化color scaleのタイトルは表示させてからCRIMに変更すること終わりPrefix "SHAP"SHAP valuesfeature wiseまとめるRowID付け直しTarget Column:CRIMSHAPの重みづけSHAP LOOP始まり100で分けるモデル適用CSV Reader Partitioning Dependence Plot SHAP Loop End Column Rename(Regex) Column Filter Joiner RowID Gradient Boosted TreesLearner (Regression) SHAP Summarizer SHAP Loop Start Row Sampling Gradient Boosted TreesPredictor (Regression)

Nodes

Extensions

Links

Download

To use this workflow in KNIME, download it from the below URL and open it in KNIME:

Download Workflow
Created by: F065807
Created at: 2023-03-30
On NodePit since: 2023-06-23
Last update: 2024-04-27
Created with KNIME version: v4.7.4
Tags: obito_odJKISeason2-13

Deploy, schedule, execute, and monitor your KNIME workflows locally, in the cloud or on-premises – with our brand new NodePit Runner.

Try NodePit Runner!