shap可解释性分析python如何画出双向（正负）的特征重要性（shap值）bar图？

要绘制 SHAP 值的双向特征重要性条形图，可以通过 `shap.summary_plot` 函数实现。该函数不仅可以绘制传统的全局特征重要性条形图，还可以通过设置参数生成带有正负方向的特征重要性图，从而更直观地展示每个特征对模型预测值的影响方向。以下是一个完整的代码示例，展示如何使用 SHAP 库绘制双向特征重要性条形图： ```python import shap import xgboost as xgb from sklearn.datasets import load_boston # 加载数据集 data = load_boston() X, y = data.data, data.target # 训练一个 XGBoost 模型 model = xgb.train({"learning_rate": 0.01}, xgb.DMatrix(X, label=y), 100) # 初始化 SHAP 解释器并计算 SHAP 值 explainer = shap.TreeExplainer(model) shap_values = explainer.shap_values(X) # 绘制双向特征重要性条形图 shap.summary_plot(shap_values, X, plot_type="bar", show=False) ``` 在上述代码中： - `shap.summary_plot` 函数用于绘制特征重要性图。 - `plot_type="bar"` 表示我们希望绘制条形图。 - `show=False` 允许后续使用 `matplotlib` 对图像进行进一步修改。 - SHAP 值的正负方向会在图中以不同的颜色（默认为红色和蓝色）表示，从而展示每个特征对模型输出的正向或负向影响[^2]。如果你希望对图像进行进一步的定制，例如修改标签、调整颜色等，可以使用 `matplotlib` 的相关函数进行操作。 ### 示例：使用 `matplotlib` 自定义图像 ```python import matplotlib.pyplot as plt # 绘制图形但不立即显示 shap.summary_plot(shap_values, X, plot_type="bar", show=False) fig = plt.gcf() # 获取当前图像 fig.set_size_inches(10, 6) # 调整图像大小 plt.title("SHAP Feature Importance with Directionality") plt.show() ``` 通过这种方式，可以生成一个清晰的双向特征重要性条形图，帮助理解每个特征对模型预测值的具体影响方向。 ---

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

下一篇 python调用cmd命令行操作