python - 形状统计

Question

我使用 shap 来确定具有相关特征的多元回归的特征重要性。

import numpy as np
import pandas as pd  
from sklearn.linear_model import LinearRegression
from sklearn.datasets import load_boston
import shap


boston = load_boston()
regr = pd.DataFrame(boston.data)
regr.columns = boston.feature_names
regr['MEDV'] = boston.target

X = regr.drop('MEDV', axis = 1)
Y = regr['MEDV']

fit = LinearRegression().fit(X, Y)

explainer = shap.LinearExplainer(fit, X, feature_dependence = 'independent')
# I used 'independent' because the result is consistent with the ordinary 
# shapely values where `correlated' is not

shap_values = explainer.shap_values(X)

shap.summary_plot(shap_values, X, plot_type = 'bar')

shap 提供了一个图表来获取 shap 值。是否也有可用的统计数据？我对确切的形状值感兴趣。我阅读了 Github 存储库和文档，但没有找到与此主题相关的任何内容。

Answer 1

当我们查看 shap_values 时，我们看到它包含一些正数和负数，并且它的维度等于 boston 数据集的维度。线性回归是一种 ML 算法，计算最优的 y = wx + b，其中 y 是 MEDV，x 是特征向量， w 是一个权重向量。在我看来，shap_values 存储 wx - 一个矩阵，其中每个特征的值乘以线性回归计算的权重向量。

因此，为了计算所需的统计数据，我首先提取绝对值，然后对它们进行平均。顺序很重要!接下来，我使用初始列名称并从最大影响到最小影响进行排序。有了这个，我希望我已经回答了你的问题!:)

from matplotlib import pyplot as plt


#rataining only the size of effect
shap_values_abs = np.absolute(shap_values)

#dividing to get good numbers
means_norm = shap_values_abs.mean(axis = 0)/1e-15

#sorting values and names
idx = np.argsort(means_norm)
means = np.array(means_norm)[idx]
names = np.array(boston.feature_names)[idx]

#plotting
plt.figure(figsize=(10,10))
plt.barh(names, means)