### 使用 `shap` 库实现 Shapley 值可视化 为了更好地理解和解释机器学习模型，Shapley 值提供了一种有效的方式。通过 Python 的 `shap` 库，可以方便地计算并可视化这些值。 #### 安装依赖库 首先，确保安装了必要的库： ```bash pip install shap scikit-learn matplotlib pandas numpy ``` #### 加载数据集与训练模型 这里以逻辑回归为例展示基本流程[^3]： ```python import sklearn.datasets as datasets from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression # 导入 Iris 数据集 iris = datasets.load_iris() X, y = iris.data, iris.target # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2) # 构建并训练模型 model = LogisticRegression(max_iter=200) model.fit(X_train, y_train) ``` #### 计算 Shapley 值 接着创建解释器，并获取各个样本对应的 Shapley 值： ```python import shap explainer = shap.KernelExplainer(model.predict_proba, X_train) shap_values = explainer.shap_values(X_test) ``` #### 可视化单个预测的结果 可以通过瀑布图（Waterfall Plot）来直观展现某个具体样本上各特征对最终预测的影响程度[^2]： ```python # 对于第一个测试样例绘制 waterfall 图 shap.plots.waterfall(shap.Explanation(values=shap_values[1][0], base_values=explainer.expected_value[1], data=X_test[0]), max_display=14) ``` #### 展示整体趋势 除了针对特定实例外，还可以利用汇总图表（Summary Plot），一次性查看整个测试集中所有记录下每个变量的重要性及其方向性影响： ```python # 绘制 summary plot 来观察全局模式 shap.summary_plot(shap_values[1], X_test, feature_names=iris.feature_names) ``` 此外，还有其他多种图形可供选择，比如依赖关系图（Dependency Plots）、交互作用效应图（Interaction Effects）等，可以根据实际需求灵活选用。