python - 如何正确使用具有多个回归目标的形状决策图和力图？

我有一个 Keras 神经网络，它有 26 个特征和 100 个目标，我想用SHAP python 库来解释。例如，为了绘制力图，我这样做：

shap.force_plot(exp.expected_value[i], shap_values[j][k], x_val.columns)

在哪里：

exp.expected_values是一个大小为 100 的列表，其中包含我的每个目标的基本值（这至少是我所理解的）。我假设该索引i指的是第 i 个目标。
shap_values指每个验证案例中每个目标的所有特征的 Shapley 值。因此，j从 0 运行到 99（即我的目标的大小）并k从 0 运行到验证用例的总数。

我感到困惑的是，i实际上j可能有所不同，而且我确实得到了一个看起来不错的情节。但是，它们不应该总是相同的索引吗？不应该总是将第 i 个基线目标与第 i 个目标的形状值进行比较吗？我对索引的理解有误吗？

标签： pythonmachine-learningkerasneural-networkshap

i并且j应该是相同的，因为您正在绘制ith目标如何受特征影响，从基础到预测：

shap.force_plot(exp.expected_value[i], shap_values[i][k], x_val.columns)

在哪里：

我代表ith目标类

k 代表kth要解释的样本。

背后的原因是exp.expected_valueshape ，它们将是要添加到的 shap 值的基值，如果转换为 numpy 数组，则num_targetsshap 值应该是 shape 。[num_classes, num_samples, num_features]

因此，例如，要在原始空间中获取第 k 个数据点的 shap 值，可以这样做：

shap_values[:,k,:].sum(1) + base_values

对于使用 softmax 进入概率空间的模型，可以这样做：

softmax(shap_values[:,k,:].sum(1) + base_values)

注意，这是假设 shap_values 是 numpy 数组类型。

请询问是否有不清楚的地方。