SHAP有两个核心,分别是shap values和shap interaction values,在官方的应用中,主要有三种,分别是force plot、summary plot和dependence plot,这三种应用都是对shap values和shap interaction values进行处理后得到的。下面会介绍SHAP的官方示例,以及我个人对SHAP的理解和应用。 1. SHAP官方示例 首先简单介绍下shap values...
shap.summary_plot(shap_values, X, plot_type="bar") Interaction Values interaction value是将SHAP值推广到更高阶交互的一种方法。树模型实现了快速、精确的两两交互计算,这将为每个预测返回一个矩阵,其中主要影响在对角线上,交互影响在对角线外。这些数值往往揭示了有趣的隐藏关系(交互作用) shap_interaction_v...
shap_interaction_values=explainer.shap_interaction_values(X)shap.summary_plot(shap_interaction_values,X) Decision plot SHAP 决策图显示复杂模型如何得出其预测(即模型如何做出决策)。决策图是 SHAP value 的文字表示,使其易于解读。 决策图显示的信息与力图基本相同,都可以有效地解释上述模型的预测。而且很容易识...
shap_values = explainer.shap_values(x_test) #x_test为特征参数数组 shap_value为解释器计算的shap值 绘制单变量影响图 shap.dependence_plot('参数名称', 计算的SHAP数组, 特征数组, interaction_index=None,show=False) 注意: 1)”参数名称“表示要绘制的单变量名称 2)shap_value是第5步计算的SHAP值 3)特...
shap_interaction_values = explainer.shap_interaction_values(X) shap.summary_plot(shap_interaction_values, X) 所有特征之间的交互 对角线上是该特征自身的主要影响 print(shap_values.values[0][0])#显示第1个样本的第1个特征的shap值print(shap_values.values[0].sum())#显示第1个样本的所有特征的shap值...
shap.dependence_plot('MedInc', shap_values, X_train, interaction_index='AveOccup') 依赖图用于显示一个特征的SHAP值与该特征值之间的关系,并可以展示特征之间的交互作用在这里shap.dependence_plot函数的参数解释如下: 'MedInc':这是你想要研究的特征名 ...
interaction value是SHAP值更高阶的一种玩法,完美展示交互效应。😘 首先计算一下。🤓 代码语言:javascript 复制 shp_i<-shapviz(fit,X_pred=data.matrix(dia_2000[x]),X=dia_2000,interactions=T)shp_i 依赖图展示。🐡 代码语言:javascript 复制 ...
shap.summary_plot(shap_values, X, plot_type="bar") 1. 从上图可以看出,LSTAT、RM、CRIM的特征重要性最高,必须保留,而CHAS、ZN、RAD三个特征的重要性最低,可以考虑删除。 3.8 Interaction Values Interaction values是将SHAP推广到更高阶交互的一种方法。树模型实现了快速、精确的两两交互计算,这将为每个预...
#from sklearn.inspection import plot_partial_dependence from sklearn.metrics import mean_squared_error import shap import warnings 2.设置忽略警告与显示字体、负号 warnings.filterwarnings("ignore") # 设置Matplotlib的字体属性 plt.rcParams['font.sans-serif'] = ['SimHei'] # 用于中文显示,你可以更改为...
交互图对角线上展示的是该特征与预测值的关系,它与最普通的shap plot相一致,对角线以外其它位置是特征两两组合对预测的影响.每个子图的横坐标为shap value,也就是说,子图越宽,该特征组合对结果影响越大. shap_interaction_values = explainer.shap_interaction_values(X) ...