小编met*_*211的帖子

shapley 支持逻辑回归模型吗？

运行以下代码我得到：

logmodel = LogisticRegression()
logmodel.fit(X_train,y_train)
predictions = logmodel.predict(X_test)
explainer = shap.TreeExplainer(logmodel )

Exception: Model type not yet supported by TreeExplainer: <class 'sklearn.linear_model.logistic.LogisticRegression'>

PS 你应该对不同的模型使用不同的解释器

我有一个时间序列，我想检测值何时快速增加，并查明（可能是颜色）增加的时间范围。例如，在下图中，我想精确定位 x 轴中特定时间窗口的峰值（例如 2018-05-22）

我能够找到 20% 的最大值，但这对我没有帮助。我想把重点放在快速增长上。

d = pd.Series(df['TS'].values[1:] - df['TS].values[:-1], index=df['TS'].index[:-1]).abs()
threshold = 0.8
m = d.max()
print(d > m * threshold)

例如，破裂在视觉上做了类似的事情。有一个示例，其生成的图中包含随机数据：

import matplotlib.pyplot as plt
import ruptures as rpt

# generate signal
n_samples, dim, sigma = 1000, 3, 4
n_bkps = 4  # number of breakpoints
#signal, bkps = rpt.pw_constant(n_samples, dim, n_bkps, noise_std=sigma)


# detection
algo = rpt.Pelt(model="rbf").fit(signal)
result = algo.predict(pen=10)

# display
rpt.display(signal, bkps, result)
plt.show()