解釋一個機器學習模型是一個困難的任務，因為我們不知道這個模型在那個黑匣子里是如何工作的。解釋是必需的，這樣我們可以選擇最佳的模型，同時也使其健壯。

安裝所需的庫

使用pip安裝Shap開始。下面給出的命令可以做到這一點。

pip install shap

導入所需庫

在這一步中，我們將導入加載數據、創建模型和創建該模型的可視化所需的庫。

df = pd.read_csv('/content/Diabetes.csv')
features = ['Pregnancies', 'Glucose','BloodPressure','SkinThickness','Insulin','BMI','DiabetesPedigreeFunction','Age']
Y = df['Outcome']
X =  df[features]
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size = 0.2, random_state = 1234)
xgb_model = xgb.XGBRegressor(random_state=42)
xgb_model.fit(X_train, Y_train)

創建模型

在這一步中，我們將創建機器學習模型。在本文中，我將創建一個XGBoost模型，但是你可以選擇任何模型。我們將用于此模型的數據集是著名的糖尿病數據集，可從Kaggle下載。

df = pd.read_csv('/content/Diabetes.csv')
features = ['Pregnancies', 'Glucose','BloodPressure','SkinThickness','Insulin','BMI','DiabetesPedigreeFunction','Age']
Y = df['Outcome']
X =  df[features]
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size = 0.2, random_state = 1234)
xgb_model = xgb.XGBRegressor(random_state=42)
xgb_model.fit(X_train, Y_train)

創建可視化

現在我們將為shap創建解釋程序，找出模型的shape值，并使用它們創建可視化效果。

explainer = shap.Explainer(xgb_model)
shap_values = explainer(X_test)

1、Bar Plot

shap.plots.bar(shap_values, max_display=10)

2、隊列圖

shap.plots.bar(shap_values.cohorts(2).abs.mean(0))

3、熱圖

shap.plots.heatmap(shap_values[1:100])

4、瀑布圖

shap.plots.waterfall(shap_values[0]) # For the first observation

5、力圖

shap.initjs()
explainer = shap.TreeExplainer(xgb_model)
shap_values = explainer.shap_values(X_test)
def p(j):
  return(shap.force_plot(explainer.expected_value, shap_values[j,:], X_test.iloc[j,:]))
p(0)

6、決策圖

shap_values = explainer.shap_values(X_test)[1]
print("The expected value is ", expected_value)
print("The final prediction is ", xgb_model.predict(X_test)[1])
shap.decision_plot(expected_value, shap_values, X_test)

這就是如何使用 Shap 創建與機器學習模型相關的可視化并對其進行分析。

以上就是python解釋模型庫Shap實現機器學習模型輸出可視化的詳細內容，更多關于python解釋模型庫Shap模型輸出可視化的資料請關注服務器之家其它相關文章！

原文鏈接：https://blog.csdn.net/weixin_38037405/article/details/118341218