将 SHAP 值与特征值进行可视化，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
- 数据
用于解释的数据，可以是
matrix、dgCMatrix或data.frame。- shap_contrib
data的 SHAP 贡献矩阵。默认值 (NULL) 会根据model和data计算。- features
要绘制的列索引或特征名称的向量。当为
NULL（默认值）时，将通过xgb.importance()选择top_n个最重要的特征。- top_n
应该选择多少个最重要的特征（<= 100）？对于 SHAP 依赖图，默认为 1；对于 SHAP 摘要图，默认为 10。仅当
features = NULL时使用。- model
一个
xgb.Booster模型。仅当shap_contrib = NULL或features = NULL时需要。- trees
当
features = NULL时，传递给xgb.importance()。- target_class
仅与多类别模型相关。默认值 (
NULL) 会对所有类别的 SHAP 值取平均。传入一个（基于 0 的）类别索引以仅显示该类别的 SHAP 值。- approxcontrib
当
shap_contrib = NULL时，传递给predict.xgb.Booster()。- subsample
随机选择用于绘图的数据点的比例。默认值 (
NULL) 将使用多达 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。
- discrete_n_uniq
将特征视为离散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
一维绘图中的 y 轴标签。
- plot_NA
是否应绘制缺失值案例的贡献？默认值为
TRUE。- col_NA
缺失值贡献标记的颜色。
- pch_NA
NA值的标记类型。- pos_NA
显示
NA值的 x 位置的相对位置：min(x) + (max(x) - min(x)) * pos_NA。- plot_loess
是否应绘制局部加权回归 (loess) 平滑曲线？（默认为
TRUE）。平滑仅针对具有超过 5 个不同值的特征进行。- col_loess
loess 曲线的颜色。
- span_loess
stats::loess()的span参数。- which
进行单变量还是双变量绘图。目前，仅实现了“1d”。
- plot
是否应绘制图表？（默认为
TRUE）。如果为FALSE，则仅返回矩阵列表。- ...
传递给
graphics::plot()的其他参数。
详细信息
这些散点图表示 SHAP 特征贡献如何依赖于特征值。它们与部分依赖图的相似之处在于，它们也提供了特征值如何影响预测的线索。然而，在部分依赖图中，我们看到模型预测对特征值的边际依赖性，而 SHAP 依赖图显示了每个个体案例中特征对预测的估计贡献。
当 plot_loess = TRUE 时，特征值四舍五入到三个有效数字，并计算并绘制加权 LOESS，其中权重是每个四舍五入值处的数据点数量。
注意：SHAP 贡献在模型边际尺度上。例如，对于逻辑二项式目标，边际在对数几率尺度上。此外，由于 SHAP 代表“SHapley Additive exPlanation”（模型预测 = 所有特征的 SHAP 贡献之和 + 偏差），因此，根据所使用的目标，将特征的 SHAP 贡献从边际空间转换为预测空间不一定是有意义的。
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)