为什么shap_values中没有base_values属性的问题解决

最新推荐文章于 2024-04-24 14:53:47 发布
最新推荐文章于 2024-04-24 14:53:47 发布
阅读量1.7k 收藏 9
点赞数 5
文章标签： java servlet html
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/ttritium/article/details/126350059
版权

问题来源：

        在学习shap过程中，想绘制waterfall 与 bar 图，遇见如下错误：

        我的shap_values是参考shap官方文档中 catboost tutorial 的例子

 问题总结：

        我的shap_values 仅仅是个数组，并不是真正的shap_values（没有base_values属性, 也不是一个 explanation object ）

问题解决：

        参考shap 官方文档关于 bar 的使用例子发现一些代码的区别

Documentation by example for shap.plots.bar — SHAP latest documentation

区别：shap_values = explainer（X）与 shap_values = explainer.shap_values(X) 

 赋予的对象不一样，shap_values = explainer（X）赋予的就是一个 explaination object

我将代码修改后，便可以成功使用

shap.plots.bar(explainer(X_train))
shap.plots.waterfall(explainer(X_train)[0])

希望对你有用

TTritium
关注
机器学习模型可解释性进行到底 —— SHAP值理论（一）
素质云笔记
04-07 9万+
最近在系统性的学习AUTOML一些细节，本篇单纯从实现与解读的角度入手， 因为最近SHAP版本与之前的调用方式有蛮多差异，就从新版本出发，进行解读。 不会过多解读SHAP值理论部分，相关理论可参考： 关于SHAP值加速可参考以下几位大佬的文章： 文章目录1 介绍2 可解释图2.1 单样本特征影响图 1 介绍 文章可解释性机器学习_Feature Importance、Permutation Importance、SHAP 来看一下SHAP模型，是比较全能的模型可解释性的方法，既可作用于之前的全局解释，.
AttributeError: ‘numpy.ndarray‘ object has no attribute ‘base_values‘
TTritium的博客
08-15 3152
SHAP学习中，AttributeError: 'numpy.ndarray' object has no attribute 'base_values'的问题解决
Dots + interval stats and geoms
临风暖阳的博客
05-13 823
Anatomy ofgeom_dotsinterval() Thedotsintervalfamily of geoms and stats is a sub-family of slabinterval (seevignette("slabinterval")), where the “slab” is a collection of dots forming a dotplot and the interval is a summary point (e.g., mean, median, m...
Python SHAP summary_plot()方法修改及画出蜂窝图的解决方式
weixin_42294077的博客
08-13 1万+
8月上旬使用Python SHAP中 summary_plot()时，画出来的图依然是各特征的shap value，图状为beeswarm，但在中旬重新跑该段代码时，画出来的图为mean(|shap value|)，图状为柱状图。 SHAP修改之后： fig = plt.figure() shap.summary_plot(shap_values, data[cols], show = False, max_display = 30) plt.tight_layout() plt.savefig('5-2
SHAP 可视化解释机器学习模型简介
热门推荐
chaishen10000的专栏
12-14 3万+
个人理解SHAP模型是对机器学习模型进行解释的一个模型上面这个图就是一个比较直观的解释机器学习模型一般都是一个黑盒。比如某个模型要进行一些预测任务，首先对模型输入一些已知条件（Age=65,Sex=F,BP=180,BMI=40），然后模型根据输入进行训练，最终训练完的模型可以对该条件输出预测结果（Output=0.4）
【SHAP解释性机器学习】02 常见的绘图函数(bar force partial denpendence)
最新发布
wangxiancao的博客
04-24 743
这里展示了他的color，如果shap values值为正则颜色为洋红色，负值为蓝色，_bar.py并非只有一个pl.barh, 找到你需要更改的。如果你需要修改color，你应该修改这个路径文件里的pl.barh中的颜色。内容三：通过partial_dependence观察某一特征的变化趋势。上一节介绍了常用的shap解释器，本节介绍几种常用的plots函数。内容一： 通过bar函数绘制shap values的特征重要性图。内容二： 通过force函数解释单个样本的预测是如何生成的。
explainer=shap.TreeExplainer(xgb_reg,link='logit') shap_values=explainer.shap_values(testX) y_base = explainer.expected_value print(y_base) shap_values_all=explainer.shap_values(testX) shap.summary_plot(shap_values_all,testX,plot_type="bar") shap.summary_plot(shap_values, testX, feature_names=['gonglv','nwp4','nwp3'])# 绘制SHAP shap.plots.waterfall(shap_values[:])
06-07
最后，你可以在 `shap.summary_plot(shap_values_all,testX,plot_type="bar")` 这一行中将 `shap_values_all` 替换为 `shap_values`，因为你只需要绘制一个总结图表，而不是所有特征的 SHAP 值图表。 以下是修改后...
in waterfall base_values = shap_values.base_values AttributeError: 'numpy.ndarray' object has no attribute 'base_values'
06-07
要解决这个问题，你需要将 `shap_values` 对象转换为 `Explainer` 对象，然后再调用 `base_values` 属性。你可以通过以下代码实现： ``` import shap # create an explainer object explainer = shap.Explainer...
n waterfall base_values = shap_values.base_values AttributeError: 'numpy.ndarray' object has no attribute 'base_values'
06-06
`base_values` 是 SHAP 库中 `TreeExplainer` 类的一个属性，它存储了用于计算 SHAP 值的基准值。如果你使用的是其他 SHAP 解释器，或者没有传递 `base_values` 参数，则不应该期望 `shap_values` 具有 `base_values...
line 1, in <module> shap.plots.waterfall(explainer.expected_value,shap_values[0]) File "D:\anaconda\envs\huwenhui\lib\site-packages\shap\plots\_waterfall.py", line 45, in waterfall base_values = shap_values.base_values AttributeError: 'numpy.float32' object has no attribute 'base_values'
06-10
这个错误是因为你的 `shap_values` 是一个 `numpy.float32` 类型的对象，而这个对象没有 `base_values` 属性。`base_values` 是在 SHAP 中用于计算特征影响的基准值。解决这个问题需要检查你的代码，确定 `shap_...
in force raise Exception("In v0.20 force_plot now requires the base value as the first parameter! " \ Exception: In v0.20 force_plot now requires the base value as the first parameter! Try shap.force_plot(explainer.expected_value, shap_values) or for multi-output models try shap.force_plot(explainer.expected_value[0], shap_values[0]).
06-12
这段代码的意思是在版本0.20中...建议使用`shap.force_plot(explainer.expected_value, shap_values)`来调用函数，或者对于多输出模型，可以尝试使用`shap.force_plot(explainer.expected_value[0], shap_values[0])`。
归因分析笔记6:SHAP包使用及源码阅读
越开源越幸运
03-10 1万+
突然发现这篇文章居然被百度文库给盗了, 举报侵权还要我自己打印保证函, 最逗的是, 上传保证函图片还要求开启flash,其心昭然若揭. 安装 使用示例 shap_values() KernelExplainer返回值使用 KernelExplainer 可视化 SHAP医学解释相关论文 项目实践 堆叠热力图 汇总SHAP值
再见“黑匣子模型“！SHAP 可解释 AI (XAI)实用指南来了！
Python学习与数据挖掘
06-12 5706
我们知道模型可解释性已成为机器学习管道的基本部分，它使得机器学习模型不再是"黑匣子"。幸运的是，近年来机器学习相关工具正在迅速发展并变得越来越流行。本文主要是针对回归问题的 SHAP 开源 Python 包进行 XAI 分析。 Lundberg 和 Lee (2016) 的 SHAP（Shapley Additive Explanations）是一种基于游戏理论上最优的 Shapley value来解释个体预测的方法。 Shapley value是合作博弈论中一种广泛使用的方法，它具有令人满意的特性。从博弈
利用Shap Value挑选变量
L.Z.的博客
03-19 8486
#Shap Value clf = lgb.LGBMClassifier(objective='binary',random_state=1024).fit(X_train,y_train) explainer = shap.TreeExplainer(clf) shap_values = explainer.shap_values(X_train) shap.summary_plot(...
shap 中 PartitionExplainer 原理解读与官方demo的调试笔记
yichudu
10-18 2377
(masks=[False,…()内部在构造 model_pipeline 的 masked_inputs 时, 会将 前导的[CLS], 最后的[SEP]抹去, 所以虽然 mask[i] 和 mask[j] 的结果必然一致.图 观察到的现象是, 在一个batch_mask内 ,对于同样的 有效mask部分(选中高亮), 会重复四次. 所以缓存的话, 加速比是 4:1, 即提速3倍.(masks=[True…batch_masks 所盛放的这些masks是有特点的, 会存在若干对 (i,j) , 满足。
可解释机器学习-shap value的使用
qq_41103204的博客
03-16 3万+
可解释机器学习 interpretable machine learning, shapley value, shap, SHapley Additive exPlanations, Lightgbm, 回归 regression, 分类 classification，多分类 multi-classification
因果推断杂记——因果推断与线性回归、SHAP值理论的关系（十九）
素质云笔记
12-15 6346
文章目录1 因果推断与线性回归的关系1.1 DML的启发1.2 特殊的离散回归 = 因果？2 因果推断中的ITE 与SHAP值理论的思考 1 因果推断与线性回归的关系 第一个问题也是从知乎的这个问题开始： 因果推断（causal inference）是回归（regression）问题的一种特例吗？ 其中经济学大佬慧航提到过，回归只是工具，因果推断可以用，其他研究方向也可以用。 在此给出我的看法， 因果推断，是需要考虑干预得（Y|X,T），其中干预效应是主要的差异点； 而一般的多元，只是(Y|X)，并
模型可解释性-SHAPE
数据掘金
09-09 1万+
SHAP，最早由加州大学洛杉矶分校（UCLA）的教授 Lloyd Shapley 提出，主要是用来解决合作博弈论中的分配均衡问题。Lloyd Shapley 是 2012 年的诺贝尔经济学奖获得者，也是博弈论领域的无冕之王。SHAP， 全称是 SHapley Additive exPlanation，属于模型事后解释的方法，可以对复杂机器学习模型进行解释，其中各个单词的意义为： SHapley：代表对每个样本中的每一个特征变量，都计算出它的 Shapley Value。 Additive...
Kaggle心脏病数据集为例学习机器学习的可解释性分析
韩韩的博客
05-25 8363
最近在B站看视频的时候，偶然看到同济子豪兄发的关于机器学习可解释性的视频，因为之前学习机器学习也是学习机器学习的算法以及调库、调参，而模型的内部还是感觉是一个黑箱子。废话不多说：直接上代码。 需要安装的工具包 pip install numpy pandas matplotlib seaborn wheel pandas_profiling jupyter notebook -i https://pypi.tuna.tsinghua.edu.cn/simple pip install graphviz p
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值