python - 掩蔽者在 SHAP 包中真正做了什么并适合他们训练或测试？

Question

我一直在尝试使用这个shap包。我想从我的逻辑回归模型中确定形状值。与 相反TreeExplainer，LinearExplainer需要一个所谓的掩蔽器。这个掩码器到底做了什么，独立掩码器和分区掩码器有什么区别？

另外，我是否对测试集中的重要功能感兴趣。然后我是否将掩蔽器安装在训练集或测试集上？您可以在下面看到一段代码。

model = LogisticRegression(random_state = 1)
model.fit(X_train, y_train)

masker = shap.maskers.Independent(data = X_train)
**or**
masker = shap.maskers.Independent(data = X_test)

explainer = shap.LinearExplainer(model, masker = masker)
shap_val = explainer(X_test)```

标签： pythonlogistic-regressionshap

Answer 1

Masker 类提供了一个背景数据来“训练”你的解释器。即，在：

explainer = shap.LinearExplainer(model, masker = masker)

您正在使用由 masker 确定的背景数据（您可以通过访问masker.data属性查看使用了哪些数据）。您可以在此处或此处阅读更多关于“真实模型”或“真实数据”的说明。

鉴于上面的计算，您可以同时执行以下操作：

masker = shap.maskers.Independent(data = X_train)
**or**
masker = shap.maskers.Independent(data = X_test)
explainer = shap.LinearExplainer(model, masker = masker)

但从概念上讲，imo以下内容更有意义：

masker = shap.maskers.Independent(data = X_train)
explainer = shap.LinearExplainer(model, masker = masker)

这类似于通常的train/test范例，您在训练数据上训练您的模型（和解释器），并尝试预测（和解释）您的测试数据。