可视化 SHAP 值与特征值的关系，以了解特征效应。
用法
xgb.plot.shap(
data,
shap_contrib = NULL,
features = NULL,
top_n = 1,
model = NULL,
trees = NULL,
target_class = NULL,
approxcontrib = FALSE,
subsample = NULL,
n_col = 1,
col = rgb(0, 0, 1, 0.2),
pch = ".",
discrete_n_uniq = 5,
discrete_jitter = 0.01,
ylab = "SHAP",
plot_NA = TRUE,
col_NA = rgb(0.7, 0, 1, 0.6),
pch_NA = ".",
pos_NA = 1.07,
plot_loess = TRUE,
col_loess = 2,
span_loess = 0.5,
which = c("1d", "2d"),
plot = TRUE,
...
)参数
- data
待解释的数据，可以是
matrix,dgCMatrix或data.frame。- shap_contrib
data的 SHAP 贡献矩阵。默认值 (NULL) 会从model和data计算得出。- features
要绘制的列索引或特征名称向量。当为
NULL(默认) 时，将通过xgb.importance()选择top_n个最重要的特征。- top_n
应选择多少个最重要的特征 (<= 100)? 默认 SHAP 依赖图为 1 个，SHAP 摘要图为 10 个。仅在
features = NULL时使用。- model
一个
xgb.Booster模型。仅在shap_contrib = NULL或features = NULL时需要。- trees
当
features = NULL时，此参数传递给xgb.importance()。- target_class
仅与多分类模型相关。默认值 (
NULL) 会将 SHAP 值在所有类别上平均。传递一个 (基于 0 的) 类别索引以仅显示该类别的 SHAP 值。- approxcontrib
当
shap_contrib = NULL时，此参数传递给predict.xgb.Booster()。- subsample
随机选取用于绘图的数据点比例。默认值 (
NULL) 将最多使用 10 万个数据点。- n_col
绘图网格中的列数。
- col
散点图标记的颜色。
- pch
散点图标记样式。
- discrete_n_uniq
将特征视为离散型特征的最大唯一特征值数量。
- discrete_jitter
添加到离散特征值中的抖动量。
- ylab
一维图中的 y 轴标签。
- plot_NA
是否绘制包含缺失值情况的贡献？默认为
TRUE。- col_NA
缺失值贡献标记的颜色。
- pch_NA
NA值的标记类型。- pos_NA
NA值显示位置的 x 坐标相对位置：min(x) + (max(x) - min(x)) * pos_NA。- plot_loess
是否绘制 LOESS 平滑曲线？(默认为
TRUE)。仅对具有超过 5 个不同值的特征进行平滑处理。- col_loess
LOESS 曲线的颜色。
- span_loess
stats::loess()函数的span参数。- which
是进行单变量还是双变量绘图。目前仅实现了“1d”。
- plot
是否绘制图表？(默认为
TRUE)。如果为FALSE，则仅返回一个矩阵列表。- ...
传递给
graphics::plot()的其他参数。
详情
这些散点图显示了 SHAP 特征贡献如何依赖于特征值。它与部分依赖图（partial dependence plots）的相似之处在于，它们都能提示特征值如何影响预测。然而，在部分依赖图中，我们看到的是模型预测对特征值的边际依赖性，而 SHAP 依赖图则显示了特征对每个个体情况预测的估计贡献。
当 plot_loess = TRUE 时，特征值将四舍五入到三个有效数字，并计算和绘制加权 LOESS，其中权重是每个四舍五入值对应的数据点数量。
注意：SHAP 贡献位于模型边际的尺度上。例如，对于逻辑二项式目标，边际在 log-odds 尺度上。此外，由于 SHAP 代表“SHapley Additive exPlanation”（Shapley 加性解释，即模型预测 = 所有特征的 SHAP 贡献之和 + 偏差），根据使用的目标函数，将一个特征的 SHAP 贡献从边际空间转换到预测空间不一定有意义。
参考文献
Scott M. Lundberg, Su-In Lee, "A Unified Approach to Interpreting Model Predictions", NIPS Proceedings 2017, https://arxiv.org/abs/1705.07874
Scott M. Lundberg, Su-In Lee, "Consistent feature attribution for tree ensembles", https://arxiv.org/abs/1706.06060
示例
data(agaricus.train, package = "xgboost")
data(agaricus.test, package = "xgboost")
## Keep the number of threads to 1 for examples
nthread <- 1
data.table::setDTthreads(nthread)
nrounds <- 20
model_binary <- xgboost(
agaricus.train$data, factor(agaricus.train$label),
nrounds = nrounds,
verbosity = 0L,
learning_rate = 0.1,
max_depth = 3L,
subsample = 0.5,
nthreads = nthread
)
xgb.plot.shap(agaricus.test$data, model = model_binary, features = "odor=none")
contr <- predict(model_binary, agaricus.test$data, type = "contrib")
xgb.plot.shap(agaricus.test$data, contr, model = model_binary, top_n = 12, n_col = 3)
# Summary plot
xgb.ggplot.shap.summary(agaricus.test$data, contr, model = model_binary, top_n = 12)
# Multiclass example - plots for each class separately:
x <- as.matrix(iris[, -5])
set.seed(123)
is.na(x[sample(nrow(x) * 4, 30)]) <- TRUE # introduce some missing values
model_multiclass <- xgboost(
x, iris$Species,
nrounds = nrounds,
verbosity = 0,
max_depth = 2,
subsample = 0.5,
nthreads = nthread
)
nclass <- 3
trees0 <- seq(from = 1, by = nclass, length.out = nrounds)
col <- rgb(0, 0, 1, 0.5)
xgb.plot.shap(
x,
model = model_multiclass,
trees = trees0,
target_class = 0,
top_n = 4,
n_col = 2,
col = col,
pch = 16,
pch_NA = 17
)
xgb.plot.shap(
x,
model = model_multiclass,
trees = trees0 + 1,
target_class = 1,
top_n = 4,
n_col = 2,
col = col,
pch = 16,
pch_NA = 17
)
xgb.plot.shap(
x,
model = model_multiclass,
trees = trees0 + 2,
target_class = 2,
top_n = 4,
n_col = 2,
col = col,
pch = 16,
pch_NA = 17
)
# Summary plot
xgb.ggplot.shap.summary(x, model = model_multiclass, target_class = 0, top_n = 4)