Day14shap图绘制

#作业1
import shap
import xgboost
import pandas as pd
 

X, y = shap.datasets.adult()
model = xgboost.XGBClassifier(eval_metric='mlogloss').fit(X, y)
explainer = shap.TreeExplainer(model)
shap_values = explainer.shap_values(X)
 
# 汇总图
shap.summary_plot(shap_values, X)
 
# 力引导图
shap.force_plot(explainer.expected_value, shap_values[0,:], X.iloc[0,:])
 
# 依赖图
shap.dependence_plot("Age", shap_values, X)
 
# 决策图
shap.decision_plot(explainer.expected_value, shap_values[0], X.columns)




#作业3
#分类
import shap
import xgboost
import pandas as pd
 
# 数据集
data = pd.read_csv('credit_data.csv')
X = data.iloc[:, 1:]
y = data.iloc[:, 0]
 
# 训练分类模型
model = xgboost.XGBClassifier(eval_metric='mlogloss').fit(X, y)
 
# 创建解释器并计算 SHAP 值
explainer = shap.TreeExplainer(model)
shap_values = explainer.shap_values(X)
 
# 绘制汇总图
shap.summary_plot(shap_values, X)

#回归
import shap
import xgboost
import pandas as pd
 
# 加载单车数据集
data = pd.read_csv('bike_data.csv')
X = data.iloc[:, 1:]
y = data.iloc[:, 0]
 
# 训练回归模型
model = xgboost.XGBRegressor().fit(X, y)
 
# 创建解释器并计算 SHAP 值
explainer = shap.TreeExplainer(model)
shap_values = explainer.shap_values(X)
 
# 绘制汇总图
shap.summary_plot(shap_values, X)

作业2

SHAP 绘图函数参数尺寸要求

1. shap.force_plot

• 单个样本（静态图）
  • base_value：float（基准预测值，如 0.5）
  • shap_values：(n_features,)（如 [0.2, -0.1, 0.3]）
  • features（可选）：(n_features,) 或 (1, n_features)
• 多个样本（交互式图）
  • shap_values：(n_samples, n_features)
  • features（可选）：(n_samples, n_features)
• 多分类
  • shap_values：(n_classes, n_samples, n_features)
• ______
  2. shap.summary_plot
  • 单分类/回归
    • shap_values：(n_samples, n_features)
    • features：(n_samples, n_features)
  • 多分类
    • shap_values：(n_classes, n_samples, n_features) 或 列表（每类一个 (n_samples, n_features) 数组）
  • ______
    3. shap.dependence_plot
    • ind：特征索引（int）或名称（str）
    • shap_values：(n_samples, n_features)
    • features：(n_samples, n_features)
  • ______
    4. shap.waterfall_plot
    • 单个样本
      • shap_values：(n_features,)
      • base_value：float
      • feature_names（可选）：list（长度 n_features）
    • ______
      5. shap.decision_plot
      • 单个样本
        • base_value：float
        • shap_values：(n_features,)
      • 多个样本
        • shap_values：(n_samples, n_features)
      • 多分类
        • shap_values：(n_classes, n_samples, n_features)
      • ______
        6. shap.bar_plot
        • shap_values：(n_samples, n_features)（自动聚合）
        • 或 (n_classes, n_samples, n_features)（多分类）
      • ______
        通用规则
        • shap_values 的最后一维必须匹配 features 的特征数（n_features）。
        • feature_names（若有）长度需等于 n_features。
        • 多分类 通常需要按类别拆分 shap_values（3D 数组或列表）

@浙江大学疏锦行