我正在尝试绘制 SHAP 这是我的代码
rnd_clf
是一个RandomForestClassifier
:
import shap
explainer = shap.TreeExplainer(rnd_clf)
shap_values = explainer.shap_values(X)
shap.summary_plot(shap_values[1], X)
我理解
shap_values[0]
是负数,shap_values[1]
是正数。
但是对于多类 RandomForestClassifier 呢?我有
rnd_clf
分类之一:
['Gusto'、'Kestrel 200 SCI 老式公路自行车'、'Vilano 铝合金公路自行车 21 速 Shimano'、'Fixie']。
如何确定
shap_values[i]
的哪个索引对应于我的输出的哪个类别?
如何确定 shap_values[i] 的哪个索引对应于我的输出的哪个类别?
shap_values[i]
是第 i 类的 SHAP 值。什么是第 i 类更多的是您使用的编码模式的问题:LabelEncoder
,pd.factorize
,等等。
您可以尝试以下方法作为线索:
from sklearn.preprocessing import LabelEncoder
labels = [
"Gusto",
"Kestrel 200 SCI Older Road Bike",
"Vilano Aluminum Road Bike 21 Speed Shimano",
"Fixie",
]
le = LabelEncoder()
y = le.fit_transform(labels)
encoding_scheme = dict(zip(y, labels))
pprint(encoding_scheme)
{0: 'Fixie',
1: 'Gusto',
2: 'Kestrel 200 SCI Older Road Bike',
3: 'Vilano Aluminum Road Bike 21 Speed Shimano'}
因此,例如对于这种特殊情况,
shap_values[3]
是针对 'Vilano Aluminum Road Bike 21 Speed Shimano'
为了进一步了解如何解释 SHAP 值,让我们准备一个包含 100 个特征和 10 个类别的多类分类综合数据集:
from sklearn.datasets import make_classification
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from shap import TreeExplainer
from shap import summary_plot
X, y = make_classification(1000, 100, n_informative=8, n_classes=10)
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42)
print(X_train.shape)
(750, 100)
此时我们的训练数据集包含 750 行、100 个特征和 10 个类别。
让我们训练
RandomForestClassifier
并将其喂给TreeExplainer
:
clf = RandomForestClassifier(n_estimators=100, max_depth=3)
clf.fit(X_train, y_train)
explainer = TreeExplainer(clf)
shap_values = np.array(explainer.shap_values(X_train))
print(shap_values.shape)
(10, 750, 100)
10:班级数量。所有 SHAP 值都组织成 10 个数组,每个类 1 个数组。
750:数据点的数量。我们有每个数据点的本地 SHAP 值。
100:特征数量。我们的每个功能都有 SHAP 价值。
例如,对于
Class 3
,您将拥有:
print(shap_values[3].shape)
(750, 100)
750:每个数据点的 SHAP 值
100:每个功能的 SHAP 价值贡献
最后,您可以运行健全性检查,以确保模型的真实预测与
shap
的预测相同。
为此,我们将 (1) 交换
shap_values
的前 2 个维度,(2) 对所有特征的每个类的 SHAP 值求和,(3) 将 SHAP 值添加到基值中:
shap_values_ = shap_values.transpose((1,0,2))
np.allclose(
clf.predict_proba(X_train),
shap_values_.sum(2) + explainer.expected_value
)
True
然后您可以继续进行
summary_plot
,这将显示基于每个类别的 SHAP 值的功能排名。对于第 3 类,这将是:
summary_plot(shap_values[3],X_train)
解释如下:
对于第 3 类,基于 SHAP 贡献最有影响力的特征是 44、64、17
对于特征 64 和 17,较低的值往往会导致较高的 SHAP 值(因此类标签的概率较高)
功能 92、6、53 在显示的 20 个功能中影响最小
shap_values
列表的顺序对应于模型的 .classes_
属性。最后你可以绘制类似的东西:
shap.summary_plot(shap_values, X_test.toarray(), feature_names=model.get_feature_names_out(), class_names=model.classes_)
请注意,如果您使用管道,则
model
可以是两个不同的模型,可通过 pipeline.named_steps
字典访问。比如说,在 NLP 中,您有一个用于 feature_names
(i.e. 单词/n-gram)的分词器步骤和用于分类的 ML 模型 (class_names
)。