paper阅读记录10.21-Shapley Additive exPlanations、random forest regression

 paper：Spatial heterogeneity modeling of water quality based on random forest 
regression and model interpretation 

Keywords: 
Water quality assessment   Machine learning   Random forest regression   Driving force analysis 
Shapley additive explanations

水质模型：

 QUAL2K         MIKE 11         Ecotaihu

数据驱动模型，机器学习模型：

人工神经网络、增强回归树和支持向量机等机器学习算法在水质评估中表现良好，并且在大多数情况下，在预测精度方面优于传统统计方法。

Shapley Additive exPlanations （SHAP）是一种可加性特征归因方法，其计算性能有所提高，与人类直觉的一致性更好（Lundberg and Lee, 2017）。与其他解释方法相比，SHAP不仅解决了多重共线性问题，而且考虑了变量之间可能存在的协同效应（Lundberg et al, 2020）。这些优点使SHAP成为一个强大的模型解释器，并已在许多研究中使用。

     影论响特征的平均绝对SHAP值的柱状图

     把SHAP_value样本取绝对值的平均值从而得到每个特征的重要程度

      学习参考文章：SHAP全解析：机器学习、深度学习模型解释保姆级教程 - 文章 - 开发者社区 - 火山引擎

采用随机森林回归（random forest regression）方法对太湖流域水质空间分布进行了模拟。构建了流域特征与水质监测数据之间的经验关系，并在此基础上进行了水质异质性评价。本研究的主要内容是：1)开发并验证流域水质评价的机器学习模型；2)利用训练好的模型对研究区域的水质空间分布进行预测和评价；3)基于SHAP方法对影响水质的重要流域特征进行评估和解释。