explainers

# SHAP 解释器参考 本文档提供了关于所有 SHAP 解释器类、其参数、方法以及何时使用每种类型的全面信息。 ## 概述 SHAP 为不同的模型类型提供了专门的解释器，每种解释器都针对特定架构进行了优化。通用的 `shap.Explainer` 类会根据模型类型自动选择合适的算法。 ## 核心解释器类 ### shap.Explainer (自动选择器) **目的**：通过选择最合适的解释算法，自动使用 Shapley 值来解释任何机器学习模型或 Python 函数。 **构造函数参数**： - `model`: 要解释的模型（函数或模型对象） - `masker`: 用于特征操作的背景数据或掩码对象 - `algorithm`: 可选覆盖，强制指定解释器类型 - `output_names`: 模型输出的名称 - `feature_names`: 输入特征的名称 **何时使用**：当不确定使用哪种解释器时的默认选择；根据模型类型自动选择最佳算法。 ### TreeExplainer **目的**：使用 Tree SHAP 算法为基于树的集成模型提供快速且精确的 SHAP 值计算。 **构造函数参数**： - `model`: 树模型 (XGBoost, LightGBM, CatBoost, PySpark 或 scikit-learn 树) - `data`: 用于特征集成的背景数据集 (tree_path_dependent 时可选) - `feature_perturbation`: 如何处理相关特征 - `"interventional"`: 需要背景数据；遵循因果推理规则 - `"tree_path_dependent"`: 不需要背景数据；使用每个叶节点的训练样本 - `"auto"`: 如果提供了数据则默认为 interventional，否则为 tree_path_dependent - `model_output`: 要解释的模型输出 - `"raw"`: 标准模型输出 (默认) - `"probability"`: 概率转换后的输出 - `"log_loss"`: 损失函数的自然对数 - 自定义方法名称，如 `"predict_proba"` - `feature_names`: 可选的特征命名 **支持的模型**： - XGBoost (xgboost.XGBClassifier, xgboost.XGBRegressor, xgboost.Booster) - LightGBM (lightgbm.LGBMClassifier, lightgbm.LGBMRegressor, lightgbm.Booster) - CatBoost (catboost.CatBoostClassifier, catboost.CatBoostRegressor) - PySpark MLlib 树模型 - scikit-learn (DecisionTreeClassifier, DecisionTreeRegressor, RandomForestClassifier, RandomForestRegressor, ExtraTreesClassifier, ExtraTreesRegressor, GradientBoostingClassifier, GradientBoostingRegressor) **关键方法**： - `s