1 написано впереди

Поговорим сегодня о машинном Классический метод обучения,SHAP（Shapley Additive exPlanations）。🤒

SHAPИспользование классики теории игр и связанных с ней расширений.Shapley valueСвязь оптимального распределения кредитов с местными объяснениями,это своего родаигра Теоретически оптимальныйЗначение Шепли 来解释个体预测的方法。😂

С точки зрения теории игр,ПучокdataКаждая функциональная переменная рассматривается как игрок.,используйте этоdataпойти на тренировку Модельполучить прогнозируемые результаты,Это можно рассматривать как выгоду от сотрудничества многих игроков для завершения проекта. 🙃

Shapley valueУчитывая вклад отдельных игроков,справедливо распределить выгоды от сотрудничества. 🤓

Стоимость ШАПможет надежно интерпретировать деревья Модель。🌲

использовано 2 упаковки

rm(list = ls())
#devtools::install_github("ModelOriented/shapviz")
library(shapviz)
library(xgboost)
library(tidyverse)
library(patchwork)

3Пример данных

x <- c("carat", "cut", "color", "clarity")

data("diamonds")

4Моделирование

Здесь мы воспользуемсяxgboostМоделирование。😘

dtrain <- xgb.DMatrix(data.matrix(diamonds[x]), label = diamonds$price, nthread = 1)

fit <- xgb.train(params = list(learning_rate = 0.1, nthread = 1), data = dtrain, nrounds = 65)

fit

Анализ 5shap и простая визуализация

dia_2000 <- diamonds[sample(nrow(diamonds), 2000), x]

shp <- shapviz(fit, X_pred = data.matrix(dia_2000), X = dia_2000)

shp

классическийbarplot。😘

sv_importance(shp, show_numbers = T)

Измените свою позицию и сделайте это снова! ~😘

这里我们Пучоксхема пчелиного рояТакже добавьте,Точки расположены вдоль каждой строки объекта, чтобы показать плотность. 🤓

Цвет используется для отображения исходного значения признака. 🥳

sv_importance(shp, kind = "both")  # "bar", "beeswarm", "both", "no"

6График зависимостей

граф зависимостейПоказаны одна или две пары функций.машинное Предельный эффект прогнозируемых результатов обучения Модель может показать взаимосвязь между целью и функцией. 😘

Отображается значение признака и значение признака.SHAPценить。😜

граф зависимостейодин изВажные предположениязаключается в том, что первая функция не связана со второй функцией。⭐️

Иногда между объектами возникают интерактивные эффекты, которые можно отобразить, добавив второй объект, в данном случае цвет точки. 🫠

sv_dependence(shp, v = x)

7. Интерпретируемость прогнозов модели

водопадная диаграмма。🙊

sv_waterfall(shp, row_id = 1) +
  theme(axis.text = element_text(size = 11))

Force plot,Вот посмотрите на первый. 😘

sv_force(shp, row_id = 1)

Вы также можете выбрать свойства объекта,Например, выберите здесьbeautiful color D diamonds。😏

sv_waterfall(shp, shp$X$color == "D") +
  theme(axis.text = element_text(size = 11))

8SHAP Interactions

interaction valueдаСтоимость ШАПБолее продвинутый способ игры,Идеальное отображение интерактивных эффектов. 😘

Сначала посчитайте. 🤓

shp_i <- shapviz(fit, X_pred = data.matrix(dia_2000[x]), X = dia_2000, interactions = T)

shp_i

граф зависимостейвыставка。🐡

sv_dependence(shp_i, v = "carat", color_var = x, interactions = T)

ясно с первого взгляда,perfect！~🎱

sv_interaction(shp_i) +
  theme(axis.text.x = element_text(angle = 45, vjust = 1, hjust = 1))