python - 使用 SHAP 值解释 LogisticRegression 分类

Question

我正在尝试使用 SHAP 对我的产品分类模型进行一些不良案例分析。我的数据看起来像这样:

corpus_train, corpus_test, y_train, y_test = train_test_split(data['Name_Description'],
                                                              data['Category_Target'],
                                                              test_size = 0.2,
                                                              random_state=8)

vectorizer = TfidfVectorizer(stop_words='english', ngram_range=(1, 3), min_df=3, analyzer='word')

X_train = vectorizer.fit_transform(corpus_train)
X_test = vectorizer.transform(corpus_test)

model = LogisticRegression(max_iter=200)
model.fit(X_train, y_train)

X_train_sample = shap.sample(X_train, 100)
X_test_sample = shap.sample(X_test, 20)

masker = shap.maskers.Independent(data=X_test_sample)

explainer = shap.LinearExplainer(model, masker=masker)
shap_values = explainer.shap_values(X_test_sample)
X_test_array = X_test_sample.toarray()

shap.summary_plot(shap_values, X_test_array, feature_names=vectorizer.get_feature_names(), class_names=data['Category'].unique())

现在为了节省空间，我没有包含实际的摘要图，但它看起来不错。我的问题是我希望能够分析单个预测并按照以下思路获得更多信息:

换句话说，我想知道哪些特定词对预测的贡献最大。但是当我运行上图中单元格 36 中的代码时，我得到了一个

AttributeError: 'numpy.ndarray' object has no attribute 'output_names'

我仍然对 shap_values 的索引感到困惑。我该如何解决这个问题？

Answer 1

我找不到 SHAP 的解决方案，但我找到了使用 LIME 的解决方案。下面的代码显示了一个非常相似的输出，从中可以很容易地看出模型是如何进行预测的，以及某些词的贡献有多大。

c = make_pipeline(vectorizer, classifier)

# saving a list of strings version of the X_test object
ls_X_test= list(corpus_test)

# saving the class names in a dictionary to increase interpretability
class_names = list(data.Category.unique())

# Create the LIME explainer
# add the class names for interpretability
LIME_explainer = LimeTextExplainer(class_names=class_names)

# explain the chosen prediction 
# use the probability results of the logistic regression
# can also add num_features parameter to reduce the number of features explained
LIME_exp = LIME_explainer.explain_instance(ls_X_test[idx], c.predict_proba)
LIME_exp.show_in_notebook(text=True, predict_proba=True)