python - 如何理解二元分类问题的 Shapley 值？

Question

我对 shapley python 包很陌生。我想知道我应该如何解释二进制分类问题的 shapley 值？这是我到目前为止所做的。首先，我使用 lightGBM 模型来拟合我的数据。就像是

import shap
import lightgbm as lgb

params = {'object':'binary, 
                       ...}
gbm = lgb.train(params, lgb_train, num_boost_round=300)
e = shap.TreeExplainer(gbm)
shap_values = e.shap_values(X)
shap.summary_plot(shap_values[0][:, interested_feature], X[interested_feature])

因为这是一个二分类问题。shap_values 包含两个部分。我假设一个用于 0 类，另一个用于 1 类。如果我想知道一个功能的贡献。我必须绘制两个如下图。

对于 0 级

1级

但是我应该如何获得更好的可视化？结果无法帮助我理解“cold_days 是否增加了输出成为 1 类或成为 0 类的概率？”

使用相同的数据集，如果我使用 ANN，则输出是这样的。我认为 shapley 结果清楚地告诉我，“cold_days”将积极增加结果成为第 1 类的概率。

我感觉 LightGBM 输出有问题，但我不确定如何修复它。如何获得类似于 ANN 模型的更清晰的可视化？

＃编辑

我怀疑我以某种方式错误地使用了 lightGBM 来得到奇怪的结果。这是原始代码

import lightgbm as lgb
import shap

lgb_train = lgb.Dataset(x_train, y_train, free_raw_data=False)
lgb_eval = lgb.Dataset(x_val, y_val, free_raw_data=False)
params = {
'boosting_type': 'gbdt',
'objective': 'binary',
'metric': 'binary_logloss',
'num_leaves': 70,
'learning_rate': 0.005,
'feature_fraction': 0.7,
'bagging_fraction': 0.7,
'bagging_freq': 10,
'verbose': 0,
'min_data_in_leaf': 30,
'max_bin': 128,
'max_depth': 12,
'early_stopping_round': 20,
'min_split_gain': 0.096,
'min_child_weight': 6,
}

gbm = lgb.train(params,
            lgb_train,
            num_boost_round=300,
            valid_sets=lgb_eval,
            )
e = shap.TreeExplainer(gbm)
shap_values = e.shap_values(X)
shap.summary_plot(shap_values[0][:, interested_feature], X[interested_feature])

标签： pythonlightgbmshap

Answer 1

让我们LGBMClassifier在乳腺癌数据集上运行：

from sklearn.datasets import load_breast_cancer
from lightgbm import LGBMClassifier
from shap import TreeExplainer, summary_plot
X, y = load_breast_cancer(return_X_y=True, as_frame=True)
model = LGBMClassifier().fit(X,y)

exp = TreeExplainer(model)
sv = exp.shap_values(X)
summary_plot(sv[1], X, max_display=3)

summary_plot(sv[0], X, max_display=3)

你将从这个练习中得到什么：

1. 0 类和 1 类的 SHAP 值是对称的。为什么？因为如果一个特征对第 1 类有一定的贡献，它同时会减少相同数量的第 0 类的概率。所以一般来说，对于二元分类，看sv[1]可能就足够了。

2. 对第 1 类的贡献值较低worst area，反之亦然。这种关系不是严格线性的，尤其是对于 0 类，这需要用非线性模型（树、NN 等）对这种关系进行建模

3. 这同样适用于其他描绘的特征。

希望这可以帮助。

附言

我猜你的第二个情节来自一个预测单个类概率的模型，比如 1，但是如果不看你的整个代码就很难判断。