python解釋模型庫Shap實(shí)現(xiàn)機(jī)器學(xué)習(xí)模型輸出可視化
解釋一個(gè)機(jī)器學(xué)習(xí)模型是一個(gè)困難的任務(wù)，因?yàn)槲覀儾恢肋@個(gè)模型在那個(gè)黑匣子里是如何工作的。解釋是必需的，這樣我們可以選擇最佳的模型，同時(shí)也使其健壯。
我們開始吧…
安裝所需的庫
使用pip安裝Shap開始。下面給出的命令可以做到這一點(diǎn)。
pip install shap
導(dǎo)入所需庫
在這一步中，我們將導(dǎo)入加載數(shù)據(jù)、創(chuàng)建模型和創(chuàng)建該模型的可視化所需的庫。
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)
創(chuàng)建模型
在這一步中，我們將創(chuàng)建機(jī)器學(xué)習(xí)模型。在本文中，我將創(chuàng)建一個(gè)XGBoost模型，但是你可以選擇任何模型。我們將用于此模型的數(shù)據(jù)集是著名的糖尿病數(shù)據(jù)集，可從Kaggle下載。
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)
創(chuàng)建可視化
現(xiàn)在我們將為shap創(chuàng)建解釋程序，找出模型的shape值，并使用它們創(chuàng)建可視化效果。
explainer = shap.Explainer(xgb_model) shap_values = explainer(X_test)
1、Bar Plot
shap.plots.bar(shap_values, max_display=10)
2、隊(duì)列圖
shap.plots.bar(shap_values.cohorts(2).abs.mean(0))
3、熱圖
shap.plots.heatmap(shap_values[1:100])
4、瀑布圖
shap.plots.waterfall(shap_values[0]) # For the first observation
5、力圖
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,:])) p(0)
6、決策圖
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)
這就是如何使用 Shap 創(chuàng)建與機(jī)器學(xué)習(xí)模型相關(guān)的可視化并對其進(jìn)行分析。
以上就是python解釋模型庫Shap實(shí)現(xiàn)機(jī)器學(xué)習(xí)模型輸出可視化的詳細(xì)內(nèi)容，更多關(guān)于python解釋模型庫Shap模型輸出可視化的資料請關(guān)注本站其它相關(guān)文章！
版權(quán)聲明：本站文章來源標(biāo)注為YINGSOO的內(nèi)容版權(quán)均為本站所有，歡迎引用、轉(zhuǎn)載，請保持原文完整并注明來源及原文鏈接。禁止復(fù)制或仿造本網(wǎng)站，禁止在非www.sddonglingsh.com所屬的服務(wù)器上建立鏡像，否則將依法追究法律責(zé)任。本站部分內(nèi)容來源于網(wǎng)友推薦、互聯(lián)網(wǎng)收集整理而來，僅供學(xué)習(xí)參考，不代表本站立場，如有內(nèi)容涉嫌侵權(quán)，請聯(lián)系alex-e#qq.com處理。
關(guān)注官方微信