SHAP值理论

一、优点

线性回归的系数越大并不意味着影响越强，shap是同一维度的；

XGBoost的对比是没有正负向；

ps:不会受到缺失值的影响

二、理论基础

博弈论:

ABC三人有每个人完成的效率 ，每两个人完成的效率（有交互作用），三个人一起完成something，应该怎么分配——加性的一种边际分配。

三、shap的应用

1、基础版——shap_values

explainer = shap.Explainer(model)
shap_values = explainer(X)
#也可以shap_values = explainer.shap_values(X) ，X训练集

在SHAP中进行模型解释需要先创建一个explainer，SHAP支持很多类型的explainer

deep：用于计算深度学习模型，基于DeepLIFT算法，支持TensorFlow / Keras。
gradient：用于深度学习模型，综合了SHAP、集成梯度、和SmoothGrad等思想，形成单一期望值方程，但速度比DeepExplainer慢，并且做出了不同的假设。 此方法基于Integrated Gradient归因方法，并支持TensorFlow / Keras / PyTorch。
kernel：模型无关，适用于任何模型
linear：适用于特征独立不相关的线性模型
tree：适用于树模型和基于树模型的集成算法，如XGBoost，LightGBM或CatBoost

shap.SamplingExplainer — SHAP latest documentation

print("shap维度:",shap_values.shape)
print("测试集维度:",X_train.shape)
#the same

训练集or测试集的X都可以。