使用 CatBoost 实现分类特征的 SHAP

避免对分类特征的 SHAP 值进行后处理

结合 [[CatBoost]] 和 [[SHAP]] 可以提供强大的洞察力。特别是当你使用分类特征时。CatBoost 处理这些特征的方式使你更容易理解使用 SHAP 的模型。

对于其他建模包，我们需要先使用 One-Hot 编码转换分类特征。问题是每个二进制变量都有自己的 SHAP 值。这使得很难看到原始分类特征的整体贡献。

在 [分类特征的 SHAP](…/分类特征的 SHAP) 中，我们探讨了一种解决方案。它涉及深入研究 SHAP 对象并手动添加各个 SHAP 值。这可能很乏味！作为替代方案，我们可以使用 CatBoost。

CatBoost 是一个梯度提升库。与其他库相比，它的一大优势是它可以处理非数值特征。无需转换分类特征即可使用它们。这意味着 CatBoost 模型的 SHAP 值易于解释。每个分类特征只有一个 SHAP 值。

我们将：

• 计算并解释 CatBoost 模型的 SHAP 值
• 应用 SHAP 聚合 ——我们将看到，在理解分类特征的关系时，它们的作用是有限的
• 为了解决这个限制࿰