用于 RandomForest 多类的 SHAP TreeExplainer：啥是 shap_values[i]？

Posted 2023-02-16

【中文标题】用于 RandomForest 多类的 SHAP TreeExplainer：啥是 shap_values[i]？

【英文标题】：SHAP TreeExplainer for RandomForest multiclass: what is shap_values[i]?用于 RandomForest 多类的 SHAP TreeExplainer：什么是 shap_values[i]？

【发布时间】：2021-04-09 11:21:47

【问题描述】：

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) 

我知道shap_values[0] 是负面的，shap_values[1] 是正面的。

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

['Gusto','Kestrel 200 SCI Older Road Bike', 'Vilano Aluminum Road Bike 21 Speed Shimano', 'Fixie'].

如何确定shap_values[i] 的哪个索引对应于我的输出的哪个类？

【参考方案1】：

如何确定 shap_values[i] 的哪个索引对应于我的输出的哪个类？

shap_values[i] 是第 i 个类的 SHAP 值。什么是第 i 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] 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，让我们为具有 100 个特征和 10 个类别的多类分类准备一个合成数据集：

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，我们已经有了包含 750 行、100 个特征和 10 个类的训练数据集。

让我们训练RandomForestClassifier 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 : 类数。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。我们对每个功能都有 SHAP 值。

例如，对于Class 3，您将拥有：

print(shap_values[3].shape)

---

(750, 100)

750：每个数据点的 SHAP 值 100：SHAP 对每个功能的价值贡献

最后，您可以运行健全性检查以确保模型的真实预测与shap 的预测相同。

为此，我们将 (1) 交换 shap_values 的前 2 个维度，(2) 将所有特征的每个类的 SHAP 值相加，(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

然后您可以继续访问summary_plot，它将根据每个类别的 SHAP 值显示特征排名。对于第 3 类，这将是：

summary_plot(shap_values[3],X_train)

解释如下：

对于第 3 类，基于 SHAP 贡献的最有影响力的特征是 16、59、24

对于特征 15，较低的值往往会导致较高的 SHAP 值（因此类标签的概率较高）

在显示的 20 个特征中，特征 50、45、48 的影响最小

【讨论】：

最后的图错了吗？里面没有特征16、59等。

@dgg32 最后的图是对的。默认情况下，仅显示前 20 个功能。但你可以改变它，