Python Day23 学习

继续SHAP图绘制的学习

1. SHAP特征重要性条形图

特征重要性条形图（Feature Importance Bar Plot）是 SHAP 提供的一种全局解释工具，用于展示模型中各个特征对预测结果的重要性。以下是详细解释：

图的含义
- 横轴：表示特征的重要性，通常是特征的 SHAP 值的平均绝对值（`mean(|SHAP value|)`）。
- SHAP 值的绝对值越大，说明该特征对模型预测的影响越大。
- 通过取绝对值，可以忽略正负方向，只关注特征对预测结果的贡献大小。
- 纵轴：表示特征名称，按重要性从高到低排序。
- 排在顶部的特征对模型预测的整体影响最大。

代码实现：

# --- 1. SHAP 特征重要性条形图 (Summary Plot - Bar) ---
print("--- 1. SHAP 特征重要性条形图 ---")
shap.summary_plot(shap_values[:, :, 0], X_test, plot_type="bar",show=False)  #  这里的show=False表示不直接显示图形,这样可以继续用plt来修改元素，不然就直接输出了
plt.title("SHAP Feature Importance (Bar Plot)")
plt.show()

对以下部分代码再进行理解：

shap_values[:, :, 0]

生成图像：

2. SHAP特征重要性蜂巢图

特征重要性蜂巢图（Feature Importance Violin Plot）是 SHAP 提供的一种全局解释工具，用于展示每个特征对模型预测的影响分布情况。以下是详细介绍：

图的含义

横轴：SHAP 值，表示特征对模型预测的影响大小和方向。
- 正值：该特征对预测结果有正向影响（推动预测值增大）。
- 负值：该特征对预测结果有负向影响（推动预测值减小）。
纵轴：特征名称，按重要性从高到低排序。
- 排在顶部的特征对模型预测的整体影响最大。
颜色：通常表示特征值的大小（如红色表示特征值较大，蓝色表示特征值较小）。
形状（蜂巢/小提琴形状）：表示 SHAP 值的分布。
- 宽度：表示该特征的 SHAP 值在某个范围内的密度（样本数量）。
- 宽度越大，说明更多样本的 SHAP 值集中在该范围。

图的作用

全局解释：蜂巢图展示了每个特征对模型预测的影响分布，帮助我们理解特征的重要性和影响方向。
特征与预测的关系：
- 通过颜色和 SHAP 值的分布，可以直观地观察特征值大小与预测结果之间的关系。
- 例如，红色（特征值大）集中在正 SHAP 值区域，说明特征值越大，对预测结果的正向影响越大。
异常值检测：如果某些特征的 SHAP 值分布异常（如极端值），可能需要进一步检查数据或模型。

特征重要性蜂巢图是 SHAP 的全局解释工具，通过展示每个特征的 SHAP 值分布，帮助我们理解特征对模型预测的影响大小、方向和分布情况。它比条形图提供了更丰富的信息，尤其适合分析特征值与预测结果之间的关系。

代码实现：

# --- 2. SHAP 特征重要性蜂巢图 (Summary Plot - Violin) ---
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) # 这里的show=False表示不直接显示图形,这样可以继续用plt来修改元素，不然就直接输出了
plt.title("SHAP Feature Importance (Violin Plot)")
plt.show()
# 注意下上面几个参数，plot_type可以是bar和violin，max_display表示显示前多少个特征。