Ga naar hoofdinhoud Ga naar aanvullende inhoud
Qlik-bronnen

SHAP-waarden in Qlik Sense-apps visualiseren

SHAP-waarden geven ons inzicht in wat een model stuurt, maar ook wat individuele uitkomsten stuurt. Integreer visualisaties van SHAP-waarden in Qlik Sense-apps om uw gegevens nader te onderzoeken. De volgende voorbeelden geven u een idee van de inzichten die u kunt verkrijgen.

Voorbereidingen

Voordat u aan de slag gaat, treft u de volgende voorbereidingen:

  • Genereer een SHAP-gegevensverzameling voor coördinatie. In deze gegevensverzameling zijn de SHAP-waardekolommen omgezet in 'kenmerk' en 'waarde', zodat u meerdere kenmerken in één diagram kunt gebruiken.

  • Voor binaire classificatievoorspellingen zet u de voorspelde waarschijnlijkheid af tegen de som van de SHAP-waarden per rij en kijkt u naar de richting van de SHAP-waarden. Als de lijn negatief is, dient u de richting van de SHAP-waarden om te keren om het gemakkelijker te maken de visualisaties te interpreteren.

Controle van richting voor SHAP-waarden met een positieve lijn

Grafiek van SHAP-waarden om positieve lijn te tonen.

Rankschikking kenmerkbelang

U kunt een rankschikking maken voor kenmerkbelang met de gemiddelde absolute waarden van de SHAP-waarden per kenmerk. Het figuur toont het belang van verschillende kenmerken voor de kans dat een klant zal vertrekken.

Rankschikking SHAP importance in Qlik Sense

Rankschikking kenmerkbelang met een staafdiagram.

Richting en verdeling

De SHAP-waarden kunnen ook worden gebruikt om de richting en verdeling van de invloed van elk kenmerk te begrijpen. In de figuur kunt u de verschillende kenmerken zien waardoor klanten al dan niet sneller vertrekken.

SHAP-verdeling uiteengezet in Qlik Sense

Grafiek met verdeling van kenmerkbelang.

Kenmerkbelang voor groepen

Het kenmerkbelang kan worden gemaakt voor afzonderlijke groepen. Bijvoorbeeld: u kunt de belangrijkste kenmerken vergelijken voor klanten met verschillende abonnementstypen. De figuur laat de kenmerken zien die invloed hebben per abonnementstype.

Dit diagram gebruikt een trelliscontainer om de gegevens voor specifieke veldwaarden in de gegevens te vertegenwoordigen. U kunt afzonderlijke, vergelijkbare diagrammen maken met vaste uitdrukkingen.

Diagram in Qlik Sense met de kenmerken met grootste invloed op klantverloop per abonnementstype

Trellisobject in Qlik Sense dat ingestelde analysewaarden toont voor vier verschillende kenmerkveldwaarden (abonnementstypen).

Kenmerkbelang op rijniveau

SHAP importance kan worden gebruikt om kenmerkbelang op rijniveau te begrijpen. U kunt onderzoeken en vergelijkingen uitvoeren om te zien welke kenmerken de kans beïnvloeden dat verschillende klanten zullen vertrekken, zoals te zien in de figuur.

SHAP importance-diagrammen voor specifieke klant-ID's

Staafdiagrammen die de rankschikking voor SHAP importance tonen voor twee verschillende klanten.

Kenmerkvariatie

U kunt de invloed per kenmerkvariatie uiteenzetten. Bijvoorbeeld: u kunt visualisaties maken om de gemiddelde invloed van het klantabonnementstype te tonen per abonnementstype dat u biedt.

Staafdiagram in Qlik Sense toont SHAP importance voor specifieke veldwaarden voor één kenmerk

Staafdiagram van SHAP importance per abonnementstype.

Verdeling uiteengezet in Qlik Sense toont SHAP importance voor specifieke veldwaarden voor één kenmerk

Staafdiagrammen die de rankschikking voor SHAP importance tonen voor twee verschillende klanten.

Continue variabelen

SHAP-waarden kunnen worden gebruikt in spreidingsplots om trends te analyseren wanneer continue variabelen in waarden fluctueren. In dit plot van SHAP-waarden kunnen we zien dat de kans dat een klant vertrekt in zijn algemeenheid toeneemt naarmate zijn/haar basiskosten toenemen.

U kunt ook regressielijnen en andere tools gebruiken om nieuwe inzichten in gegevens te vinden.

Het SHAP-spreidingsplot toont trends in de uitkomst van klantverloop naarmate de basiskosten toenemen

Voorbeeld van visualisatie van voorspellingsgegevens.
GERELATEERD LESMATERIAAL:

Meer informatie

Was deze pagina nuttig?

Als u problemen ervaart op deze pagina of de inhoud onjuist is – een typfout, een ontbrekende stap of een technische fout – laat het ons weten zodat we dit kunnen verbeteren!

Geef hier uw feedback