python解释模型库Shap实现机器学习模型输出可视化

2021-11-22 16:15:04 作者：Python学习与数据挖掘

Shap 是一个开源的 python 库，用于解释模型。它可以创建多种类型的可视化，有助于了解模型和解释模型是如何工作的。在本文中，我们将会分享一些Shap创建的不同类型的机器学习模型可视化

解释一个机器学习模型是一个困难的任务，因为我们不知道这个模型在那个黑匣子里是如何工作的。解释是必需的，这样我们可以选择最佳的模型，同时也使其健壮。

我们开始吧…

安装所需的库

使用pip安装Shap开始。下面给出的命令可以做到这一点。

pip install shap

导入所需库

在这一步中，我们将导入加载数据、创建模型和创建该模型的可视化所需的库。

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)

在这一步中，我们将创建机器学习模型。在本文中，我将创建一个XGBoost模型，但是你可以选择任何模型。我们将用于此模型的数据集是著名的糖尿病数据集，可从Kaggle下载。

创建可视化

现在我们将为shap创建解释程序，找出模型的shape值，并使用它们创建可视化效果。

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

1、Bar Plot

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

2、队列图

shap.plots.bar(shap_values.cohorts(2).abs.mean(0)) shap.plots.heatmap(shap_values[1:100])

4、瀑布图

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

6、决策图

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)

这就是如何使用 Shap 创建与机器学习模型相关的可视化并对其进行分析。

以上就是python解释模型库Shap实现机器学习模型输出可视化的详细内容，更多关于python解释模型库Shap模型输出可视化的资料请关注脚本之家其它相关文章！

您可能感兴趣的文章:

工信部称网盘企业免费用户最低速率应满足基本下载需求，天翼云盘回应：坚决支持，始终

电脑版 - 返回首页