Python训练营-Day14-SHAP图的绘制_shap interaction value python-CSDN博客

## SHAP 原理简介

**目标：** 理解复杂机器学习模型（尤其是“黑箱”模型，如随机森林、梯度提升树、神经网络等）**为什么**会对**特定输入**做出**特定预测**。 SHAP 提供了一种统一的方法来解释模型的输出。

**核心思想：合作博弈论中的 Shapley 值**

print("--- 1. SHAP 特征重要性条形图 ---")
shap.summary_plot(shap_values[0], X_test, plot_type="bar", show=False)  # 直接使用 shap_values[0]
plt.title("SHAP Feature Importance (Bar Plot)")
plt.show()

print("--- 2. SHAP 特征重要性蜂巢图 ---")
shap.summary_plot(shap_values[0], X_test, plot_type="violin", show=False, max_display=10)  # 直接用 shap_values[0]
plt.title("SHAP Feature Importance (Violin Plot)")
plt.show()

# --- 2. SHAP 散点图 ---
print("--- 2. SHAP 散点图 ---")
# 选择一个特征（例如第0个特征）
feature_idx = 0
shap.dependence_plot(
    feature_idx, 
    shap_values[0], 
    X_test, 
    feature_names=X_test.columns if hasattr(X_test, 'columns') else None,  # 如果X_test是DataFrame
    show=False
)
plt.title(f"SHAP Dependence Plot (Feature {feature_idx})")
plt.show()

# 确保 shap_values[0] 是 NumPy 数组
if isinstance(shap_values, list):
    shap_values_array = np.array(shap_values[0])  # 转换为 NumPy 数组（如果尚未是）
else:
    shap_values_array = shap_values  # 如果已经是 NumPy 数组

# 绘制决策图
shap.plots.decision(
    shap_values_array[sample_idx],  # 单个样本的 SHAP 值
    X_test.iloc[sample_idx] if hasattr(X_test, 'iloc') else X_test[sample_idx],  # 特征值
    show=False
)
plt.title(f"SHAP Decision Plot (Sample {sample_idx})")
plt.show()

# --- 5. SHAP 交互作用图 ---
print("--- 5. SHAP 交互作用图 ---")
# 注意：需先计算交互作用值（如果模型支持）
try:
    # 假设 explainer 支持 interaction_values
    interaction_values = explainer.shap_interaction_values(X_test)  # 替换为你的explainer对象
    # 选择一个特征对（例如第0和第1个特征）
    shap.dependence_plot(
        (0, 1),  # 特征对索引
        interaction_values[0],  # 交互作用值
        X_test,
        feature_names=X_test.columns if hasattr(X_test, 'columns') else None,
        show=False
    )
    plt.title("SHAP Interaction Values (Features 0 & 1)")
    plt.show()
except AttributeError:
    print("警告：当前explainer不支持交互作用值计算！")

最后两个图要跑半天我没等到跑出来把code贴出来。

@浙大疏锦行