### 如何在 Python 中使用 SHAP 生成交互关系图 SHAP (SHapley Additive exPlanations) 是一种用于机器学习模型解释的强大工具。它通过计算特征的重要性及其相互作用来提供对模型预测的深入理解。为了生成交互关系图，可以利用 `shap` 库中的功能。 以下是实现这一目标的具体方法： #### 安装依赖库 首先需要安装必要的库。如果尚未安装 `shap` 和其他相关库，则可以通过以下命令完成安装： ```bash pip install shap matplotlib numpy sklearn pandas ``` #### 加载数据并训练模型 假设已经有一个训练好的模型以及相应的测试集。下面是一个简单的例子展示如何加载数据和训练模型。 ```python import numpy as np from sklearn.model_selection import train_test_split from sklearn.ensemble import RandomForestRegressor import shap # 创建随机数据作为示例 np.random.seed(0) X, y = shap.datasets.boston() X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2) # 训练一个回归模型 model = RandomForestRegressor(n_estimators=100) model.fit(X_train, y_train) ``` #### 使用 SHAP 解释器获取 Shapley 值 接下来创建一个 SHAP 解释器对象，并计算 SHAP 值。 ```python explainer = shap.Explainer(model.predict, X_train) shap_values = explainer(X_test) ``` #### 绘制交互关系图 要绘制两个变量之间的交互效应图表，可调用 `shap.plots.dependence` 函数。此函数允许指定一对特征以显示它们之间可能存在的非线性关联或协同作用[^1]。 ```python feature_names = list(X.columns) # 获取特征名称列表 # 设定感兴趣的两维特征索引或者名字 i_feature_name = 'LSTAT' # 替换为你关心的第一个维度名 j_feature_name = 'RM' # 替换为你关心的第二个维度名 # 可视化 i_feature 对 j_feature 的影响程度 shap.plots.dependence( feature_names.index(i_feature_name), shap_values, features=X_test, interaction_index=j_feature_name ) ``` 上述代码片段会生成一张散点图，在该图上每个点代表一条样本记录的位置；颜色表示另一个选定属性的变化趋势。这种图形有助于识别哪些区域存在显著的交互效果。 #### 注意事项 - 如果设置参数 `interaction_index=None`, 则自动寻找具有最强平均绝对SHAP交互值的那个特性来进行绘图。 - 数据预处理阶段应确保无缺失值等问题干扰最终结果分析过程。