可解释的机器学习库—SHAP
1.SHAP介绍
- SHAP（SHapley Additive exPlanations），是Python开发的一个“模型解释”包，它可以解释任何机器学习模型的输出。
- 所有的特征都被视为“贡献者”。
- 对于每个预测样本，模型都产生一个预测值，SHAP value就是该样本中每个特征所分配到的数值。
- SHAP值从预测中把每一个特征的影响分解出来，可应用于如下场景中：
- 模型认为银行不应该给某人放贷，但是法律上需要银行给出每一笔拒绝放贷的原因。
- 医务人员想要确定对不同的病人而言，分别是哪些因素导致他们有患某种疾病的风险，这样就可以因人而异地采取针对性的卫生干预措施，直接处理这些风险因素。
2.工作原理
假设第i个样本为xi，第i个样本的第j个特征为xij，模型对该样本的预测值为yi，整个模型的基线（通常是所有样本的目标变量的均值），为y_base，那么SHAP value服从以下等式：
其中，f(xij)为当前特征的SHAP值，即第i个样本中的当前特征对最终预测值yi的贡献值，当f(xij)>0，就说明该特征提升了预测值，有正向作用；反之，说明该特征使得预测值降低，有反作用。
传统的feature importance只告诉我们哪个特征重要，但是我们并不清楚该特征是怎样影响预测结果的。SHAP value的最大优势是SHAP能反映出每一个样本中的特征的影响力，而且还能表现出是正影响还是负影响。
3.使用方法
pip即可安装，以boston房价数据集下训练一个xgboost为例
import pandas as pd
import shap
import matplotlib.pyplot as plt
import numpy as np
import xgboost as xgb
shap.initjs() # notebook环境下，加载用于可视化的JS代码
# 我们先训练好一个XGBoost model
X,y = shap.datasets.boston()
model = xgb.train({"learning_rate": 0.01}, xgb.DMatrix(X, label=y), 100)3.1 Explainer
在SHAP中进行模型解释时，需要先创建一个explainer，SHAP支持很多类型的explainer，例如：deep,gradient,kernel,linear,tree,sampling，本文以tree为例，因为它支持常用的XGB,LGB,CatBoost等基于树的集成算法。
创建Explainer:
explainer = shap.TreeExplainer(model)
shap_values = explainer.shap_values(X) #传入特征矩阵X，以计算SHAP值3.2 Local Interper
Local可解释性提供了预测的细节，侧重于解释单个预测是如何生成的。它可以帮助决策者信任模型，并且解释各个特征是如何影响模型的单次的决策的。
3.3 单个prediction的解释
SHAP提供极其强大的数据可视化功能，来展示模型或预测的解释结果。
# 可视化第一个prediction的解释 如果不想用JS,传入matplotlib=True
shap.force_plot(explainer.expected_value, shap_values[0,:], X.iloc[0,:])
上图的"Explanation"展示了每个特征的贡献程度，图上有base value 以及最终的f(x)值，红色表示为正向作用，蓝色表示为负向作用，模型将预测结果从base推动到了f(x)，推高的特征用红色表示，将预测推低的特征用蓝色表示。
基本值（base value）是我们传入数据及上模型预测值的均值，可以用以下代码进行验证：
y_base = explainer.expected_value
print(y_base)14.230186
pred = model.predict(xgb.DMatrix(X))
print(pred.mean())14.230186
3.4 多个预测的解释
要对多个样本进行解释，将上述形式旋转90度后并排放置，就可以看到整个数据及的explanations:
shap.force_plot(explainer.expected_value, shap_values, X)
3.5 Global Interper
Global可解释性：寻求理解模型的overall structure（总体结构）。这往往比解释单个预测困难的多，因为它涉及到对模型的一般工作原理作出说明，而不仅仅是一个预测。
3.6 summary_plot
summary_plot为每一个样本绘制其每个特征的SHAP值，可以提供直观的理解整体模式，并允许发现预测异常值。每一行代表一个特征，横坐标为SHAP值。一个点代表一个样本，颜色表示特征值（红色高，蓝色低）。下图输出的summary_plot图，可以看出，LSTAT特征较高的取值会降低预测的房价。
3.7 Feature Importance
SHAP提供了特征重要性的计算方式，取每个特征的SHAP值的绝对值的平均值作为该特征的重要性，得到一个标准的条形图（multi-class则生成堆叠的条形图）
shap.summary_plot(shap_values, X, plot_type="bar")
从上图可以看出，LSTAT、RM、CRIM的特征重要性最高，必须保留，而CHAS、ZN、RAD三个特征的重要性最低，可以考虑删除。
3.8 Interaction Values
Interaction values是将SHAP推广到更高阶交互的一种方法。树模型实现了快速、精确的两两交互计算，这将为每个预测返回一个矩阵，其中主要影响在对角线上，交互影响在对角线外。这些数值往往揭示了有趣的隐藏关系（交互作用）。
shap_interaction_values = explainer.shap_interaction_values(X)
shap.summary_plot(shap_interaction_values, X)
3.9 dependence_plot
为了理解单个feature如何影响模型的输出，我们可以将该feature的SHAP值与数据集中的所有样本的feature值进行比较。由于SHAP值表示一个feature对模型输出中的变动量的贡献，下图表示随着特征RM变化的预测房价（output）的变化。单一RM（特征）值垂直方向上的色散表示与其他特征的相互作用，为了帮助揭示这些交互作用，“dependence_plot函数”自动选择另一个用于着色的feature。在这个案例中，RAD特征着色强调了RM（每栋房屋的平均房间数）对RAD值较高地区的房价影响较小。
# create a SHAP dependence plot to show the effect of a single feature across the whole dataset
shap.dependence_plot("RM", shap_values, X)
# create a SHAP dependence plot to show the effect of a single feature across the whole dataset
shap.dependence_plot("LSTAT", shap_values, X)