plots

# SHAP 可视化参考 本文档提供了关于所有 SHAP 绘图函数、其参数、用例以及可视化模型解释的最佳实践的全面信息。 ## 概述 SHAP 提供了多种可视化工具，用于在个体和全局层面解释模型预测。每种图表类型在理解特征重要性、交互作用和预测机制方面都有特定用途。 ## 图表类型 ### 瀑布图 (Waterfall Plots) **目的**：展示个体预测的解释，显示每个特征如何将预测值从基准（期望值）推向最终预测结果。 **函数**：`shap.plots.waterfall(explanation, max_display=10, show=True)` **关键参数**： - `explanation`: Explanation 对象中的单行数据（非多个样本） - `max_display`: 要显示的特征数量（默认：10）；影响较小的特征会合并为“其他特征”项 - `show`: 是否立即显示图表 **视觉元素**： - **X 轴**: 显示 SHAP 值（对预测的贡献） - **起点**: 模型的期望值（基准） - **特征贡献**: 红色条（正向）或蓝色条（负向），显示每个特征如何推动预测 - **特征值**: 显示在特征名称左侧的灰色区域 - **终点**: 最终模型预测值 **何时使用**： - 详细解释个体预测 - 理解哪些特征驱动了特定决策 - 传达单实例的模型行为（例如：贷款拒绝、诊断） - 调试意外的预测结果 **重要说明**： - 对于 XGBoost 分类器，预测是在对数几率单位（逻辑转换前的边际输出）中进行解释的 - SHAP 值之和等于基准与最终预测之间的差值（可加性属性） - 将散点图与瀑布图结合使用，以探索跨多个样本的模式 **示例**： python import shap # 计算 SHAP 值 explainer = shap.TreeExplainer(model) shap_values = explainer(X_test) # 绘制第一个预测的瀑布图 shap.plots.waterfall(shap_values[0]) # 显示更多特征 shap.plots.waterfall(shap_values[0], max_display=20) ### 蜂群图 (Beeswarm Plots) **目的**：信息密集型摘要，展示顶级特征如何影响整个数据集的模型输出，结合了特征重要性和值分布。 **函数**：`shap.plots.beeswarm(shap_values, max_display=10, order=Explanation.abs.mea