2

我正在尝试绘制 SHAP 这是我的代码rnd_clf是RandomForestClassifier：

import shap 
explainer = shap.TreeExplainer(rnd_clf) 
shap_values = explainer.shap_values(X) 
shap.summary_plot(shap_values[1], X)

我明白这shap_values[0]是消极的，shap_values[1]也是积极的。

但是对于多类 RandomForestClassifier 呢？我有以下rnd_clf分类之一：

['Gusto'、'Kestrel 200 SCI 老式公路自行车'、'Vilano 铝制公路自行车 21 速 Shimano'、'Fixie']。

如何确定哪个索引shap_values[i]对应于我的输出的哪个类？

4

1 回答 1

4

如何确定 shap_values[i] 的哪个索引对应于我的输出类别？

shap_values[i]是第 i 个类的 SHAP 值。什么是第 i 个类更多的是您使用的编码模式的问题：LabelEncoder,pd.factorize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shap_values[3]对于这种特殊情况是'Vilano Aluminum Road Bike 21 Speed Shimano'

为了进一步了解如何解释 SHAP 值，让我们为具有 100 个特征和 10 个类的多类分类准备一个合成数据集：

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，我们有 750 行、100 个特征和 10 个类的训练数据集。

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：类数。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。每个数据点都有本地 SHAP 值。
100：特征数量。我们每个特征都有 SHAP 值。

例如，因为Class 3您将拥有：

print(shap_values[3].shape)

(750, 100)

750：每个数据点的
SHAP 值 100：每个特征的 SHAP 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.

为此，我们将 (1) 交换 的前 2 个维度shap_values，(2) 将所有特征的每个类别的 SHAP 值相加，(3) 将 SHAP 值添加到基值：

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summary_plot显示基于每个类别的 SHAP 值的特征排名。对于第 3 类，这将是：

summary_plot(shap_values[3],X_train)

其解释如下：

  • 对于基于 SHAP 贡献的第 3 类最有影响的特征是 16,59,24

  • 对于特征 15，较低的值往往会导致较高的 SHAP 值（因此类标签的概率较高）

  • 在显示的 20 个特征中，第 50、45、48 个特征影响最小

于 2021-01-03T19:46:13.230 回答