shap的summary_plot和force_plot

python风控模型

重庆未来之智信息技术有限公司官方账号

2023-01-13 02:50:08

课时名称	课时知识点
shap的summary_plot和force_plot	shap的summary_plot和force_plot

...全文

998 回复打赏收藏举报

写回复

回复

切换为时间正序

请发表友善的回复…

发表回复

SHAP的理解与应用SHAP有两个核心，分别是shap values和shap interaction values，在官方的应用中，主要有三种，分别是force plot、summary plot和dependence plot，这三种应用都是对shap values和shap interaction values进行处理后得到的。下面会介绍SHAP的官方示例，以及我个人对SHAP的理解和应用。...

【代码】day17 shap图的绘制@浙大疏锦行。

shap学习笔记1 shap使用代码 shap原理解释 https://yq.aliyun.com/articles/760042?scm=20140722.184.2.173 shap实用案例 https://zhuanlan.zhihu.com/p/83412330 1 shap使用代码 1 首先，准备好机器学习建模，如xgb train_x, test_x, train_y, test_y = train_test_split(data_input, data_result, test_size=0.

我们知道模型可解释性已成为机器学习管道的基本部分，它使得机器学习模型不再是"黑匣子"。幸运的是，近年来机器学习相关工具正在迅速发展并变得越来越流行。本文主要是针对回归问题的 SHAP 开源 Python 包进行 XAI 分析。 Lundberg 和 Lee (2016) 的 SHAP（Shapley Additive Explanations）是一种基于游戏理论上最优的 Shapley value来解释个体预测的方法。 Shapley value是合作博弈论中一种广泛使用的方法，它具有令人满意的特性。从博弈

在原本的XGB模型中，我们利用的是softmax激活函数，他的原理是利用分类标签来进行的。然而对于SHAP来说，依照变量选择的概率设置，因此我们需要选择softprob激活函数，计算多分类中样本特征的选择概率，因此需要重新构建XGB模型。# XGB概率输出# XGBoost 初始化设置params = {'objective': 'multi:softprob', # 多分类类别概率'num_class': 4, # **三分类任务**'seed': 0,# 训练模型# 进行预测。

Toby的课程社区_NO_1

3

社区成员

868

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章