RandomForest 多类的 SHAP TreeExplainer：什么是 shap_values[i]？

Question

我正在尝试绘制 SHAP 这是我的代码rnd_clf是RandomForestClassifier：

import shap 
explainer = shap.TreeExplainer(rnd_clf) 
shap_values = explainer.shap_values(X) 
shap.summary_plot(shap_values[1], X) 

我理解这shap_values[0]是消极的也是shap_values[1]积极的。

但是对于多类 RandomForestClassifier 呢？我有rnd_clf以下分类之一：

[“Gusto”、“Kestrel 200 SCI 老式公路自行车”、“Vilano 铝合金公路自行车 21 速 Shimano”、“Fixie”]。

如何确定哪个索引shap_values[i]对应于输出的哪个类别？

Answer 1

如何确定 shap_values[i] 的哪个索引对应于输出的哪个类别？

shap_values[i]是第 i 类的 SHAP 值。什么是第 i 个类更多的是您使用的编码模式的问题：LabelEncoder、pd.factorize等。

您可以尝试以下方法作为线索：

from sklearn.preprocessing import LabelEncoder

labels = [
    "Gusto",
    "Kestrel 200 SCI Older Road Bike",
    "Vilano Aluminum Road Bike 21 Speed Shimano",
    "Fixie",
]
le = LabelEncoder()
y = le.fit_transform(labels)
encoding_scheme = dict(zip(y, labels))
pprint(encoding_scheme)

{0: 'Fixie',
 1: 'Gusto',
 2: 'Kestrel 200 SCI Older Road Bike',
 3: 'Vilano Aluminum Road Bike 21 Speed Shimano'}

所以，例如shap_values[3]对于这个特殊情况是'Vilano Aluminum Road Bike 21 Speed Shimano'

为了进一步了解如何解释 SHAP 值，让我们准备一个包含 100 个特征和 10 个类别的多类分类合成数据集：

from sklearn.datasets import make_classification
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from shap import TreeExplainer
from shap import summary_plot

X, y = make_classification(1000, 100, n_informative=8, n_classes=10)
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42)
print(X_train.shape)

(750, 100)

此时，我们的训练数据集包含 750 行、100 个特征和 10 个类别。

让我们训练RandomForestClassifier它并将其提供给TreeExplainer：

clf = RandomForestClassifier(n_estimators=100, max_depth=3)
clf.fit(X_train, y_train)
explainer = TreeExplainer(clf)
shap_values = np.array(explainer.shap_values(X_train))
print(shap_values.shape)

(10, 750, 100)

10：班级数量。所有 SHAP 值都组织成 10 个数组，每个类 1 个数组。
750：数据点的数量。每个数据点都有本地 SHAP 值。
100：特征数量。我们的每项功能都有 SHAP 价值。

例如，Class 3您将拥有：

print(shap_values[3].shape)

(750, 100)

750：每个数据点的 SHAP 值
100：每个特征的 SHAP 值贡献

最后，您可以运行健全性检查，以确保模型的实际预测与 的预测相同shap。

为此，我们将 (1) 交换 的前 2 个维度shap_values，(2) 对所有特征的每个类的 SHAP 值求和，(3) 将 SHAP 值添加到基值：

shap_values_ = shap_values.transpose((1,0,2))

np.allclose(
    clf.predict_proba(X_train),
    shap_values_.sum(2) + explainer.expected_value
)

True

然后，您可以继续summary_plot显示基于每个类别的 SHA 值的功能排名。对于第 3 类，这将是：

summary_plot(shap_values[3],X_train)

其解释如下：

• 对于第 3 类，基于 SHAP 贡献的最有影响力的特征是 44、64、17

• 对于特征 64 和 17，较低的值往往会导致较高的 SHA 值（因此类标签的概率较高）

• 在显示的 20 个特征中，第 92、6、53 个特征影响最小