1

我正在从 R 中的库 shapper 运行 SHAP，以在 Keras CNN 模型上进行分类模型插入：

library(keras)
library("shapper")
library("DALEX")

我做了一个简单的可复制示例

mdat.train <- cbind(rep(1:2, each = 5), matrix(c(1:30), ncol = 3, byrow = TRUE))
train.conv <- array_reshape(mdat.train[,-1], c(nrow(mdat.train[,-1]), ncol(mdat.train[,-1]), 1))

mdat.test <- cbind(rep(1:2, each = 3), matrix(c(1:18), ncol = 3, byrow = TRUE))
test.conv <- array_reshape(mdat.test[,-1], c(nrow(mdat.test[,-1]), ncol(mdat.test[,-1]), 1))

我的 CNN 模型

model.CNN <- keras_model_sequential()
model.CNN %>% 
  layer_conv_1d(filters=16L, kernel_initializer=initializer_he_normal(seed=NULL), kernel_size=2L, input_shape = c(dim(train.conv)[[2]],1)) %>%
  layer_batch_normalization() %>%
  layer_activation_leaky_relu() %>%

  layer_flatten() %>%
  layer_dense(50, activation ="relu") %>%
  layer_dropout(rate=0.5) %>%
  layer_dense(units=2, activation ='sigmoid')

model.CNN %>% compile(
  loss = loss_binary_crossentropy,
  optimizer = optimizer_adam(lr = 0.001, beta_1 = 0.9, beta_2 = 0.999, epsilon = 1e-08),
  metrics = c("accuracy"))

model.CNN %>% fit(
  train.conv, mdat.train[,1], epochs = 5, verbose = 1)

我的形状命令

p_function <- function(model, data) predict(model.CNN, test.conv, type = "prob")
exp_cnn <- explain(model.CNN, data = train.conv)
ive_cnn <- shap(exp_cnn, data = train.conv, new_observation = test.conv, predict_function = p_function)

我收到此错误：

Error in py_call_impl(callable, dots$args, dots$keywords) : 
  ValueError: operands could not be broadcast together with shapes (2,6) (10,) 

Detailed traceback: 
  File "/.local/lib/python3.6/site-packages/shap/explainers/kernel.py", line 120, in __init__
    self.fnull = np.sum((model_null.T * self.data.weights).T, 0)
4

1 回答 1

0

您提出的问题有两个步骤。首先显示的错误来自代码拼写错误。p_functionYou 显示的调用全局对象而不是传递的对象。这就是为什么你目睹了那个错误。

但令我惊讶的是，即使在澄清了那个错误之后，我也发现包不起作用。让我解释一下动机和解决方案。

不得不说 3D 数组在 R 中并不常见，因此 shapper 包不支持这种类型的训练数据。它在任务开始时采用 data.frame 格式（因为它正在迭代变量）。老实说，我花了 2 个小时才找到它无法正常工作的原因以及解决方案。

首先，我们需要shapper可以理解的新变量。

shapper_data <- as.data.frame(train.conv)
shapper_new_obs <- as.data.frame(test.conv)[1,]

以及新的 predict_function

p_function <- function(model, data) {
  mat <- as.matrix(data)
  mat <- array_reshape(mat, c(nrow(data), ncol(data), 1))
  predict(model, mat, type = "prob")
}

两条新线将 data.frame 转换为适当形状的数组。

然后线

ive_cnn <- individual_variable_effect(x = model.CNN, data = shapper_data, new_observation = shapper_new_obs, predict_function = p_function)

对我来说非常好。

最好的 Szymon

于 2020-02-28T00:58:20.947 回答