代码案例详解！如何让机器学习模型自解释！

💡 作者：韩信子@ShowMeAI
📘 机器学习实战系列：https://www.showmeai.tech/tutorials/41
📘 本文地址：https://www.showmeai.tech/article-detail/337
📢 声明：版权所有，转载请联系平台与作者并注明出处
📢 收藏ShowMeAI查看更多精彩内容

近年来，可解释的人工智能（XAI）和可解释的机器学习引起了越来越多的关注，因为直接把模型当做黑箱使用信任度和可控度都会受影响。有一些领域，模型的可解释性更加重要，例如在医疗领域，患者会质疑为什么模型诊断出他们患有某种疾病。

在本篇内容中， ShowMeAI 将给大家讲解一个流行的模型解释方法 SHAP（SHapley Additive exPlanations），并基于实际案例讲解如何基于工具库对模型做解释。

💡 模型可解释方法的划分

我们对各类模型可解释方法进行划分，有以下一些划分维度：

模型无关和模型特定：一些方法可用于各种模型，而另一些方法是为解释特定模型而创建的。
全局和局部解释：本地意味着进行分析以了解如何做出特定预测。另一方面，全局解释研究了影响所有预测的因素。
基于模型和事后归因：基于模型的模型是我们可以直接理解的模型，例如线性回归模型。另一类是事后解释模型的归因方法，大多数方法都属于这一类。

💡 SHAP 原理

📘SHAP 全称是 SHapley Additive exPlanation，是比较全能的模型可解释性的方法，既可作用于全局解释，也可以局部解释，即单个样本来看，模型给出的预测值和某些特征可能的关系，可以用SHAP来解释。

SHAP 属于模型事后解释的方法，核心思想是计算特征对模型输出的边际贡献，再从全局和局部两个层面对『黑盒模型』进行解释。SHAP 构建一个加性的解释模型，所有的特征都视为『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。

基本思想：计算一个特征加入到模型时的边际贡献，然后考虑到该特征在所有的特征序列的情况下不同的边际贡献，取均值，即某该特征的 SHAP baseline value。

💡 案例实战讲解

我们来拿一个场景案例讲解一下SHAP如何进行模型可解释分析，用到的数据是人口普查数据，我们会调用 Python 的工具库库 SHAP 直接分析模型。

💦 数据说明

ShowMeAI在本例中使用到的是 🏆美国人口普查收入数据集，任务是根据人口基本信息预测其年收入是否可能超过 50,000 美元，是一个二分类问题。

数据集可以在以下地址下载： 📘 https://archive.ics.uci.edu/ml/datasets/Adult 📘 https://archive.ics.uci.edu/ml/machine-learning-databases/adult/

数据从美国1994年人口普查数据库抽取而来，可以用来预测居民收入是否超过50K/year。

该数据集类变量为年收入是否超过50k，属性变量包含年龄、工种、学历、职业、人种等重要信息，值得一提的是，14个属性变量中有7个类别型变量。

数据集各属性是：其中序号0~13是属性，14是类别。

字段序号	字段名	含义	类型
0	age	年龄	Double
1	workclass	工作类型*	string
2	fnlwgt	序号	string
3	education	教育程度*	string
4	education_num	受教育时间	double
5	maritial_status	婚姻状况*	string
6	occupation	职业*	string
7	relationship	关系*	string
8	race	种族*	string
9	sex	性别*	string
10	capital_gain	资本收益	string
11	capital_loss	资本损失	string
12	hours_per_week	每周工作小时数	double
13	native_country	原籍*	string
14(label)	income	收入标签	string

💦 SHAP计算 & 模型解释

from sklearn.model_selection import train_test_split
import lightgbm as lgb
import shap

shap.initjs()
X,y = shap.datasets.adult()
X_display,y_display = shap.datasets.adult(display=True)# create a train/test split

# 训练集与测试集切分及处理
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=7)
d_train = lgb.Dataset(X_train, label=y_train)
d_test = lgb.Dataset(X_test, label=y_test)# create a simple model

# 模型参数
params = {
    "max_bin": 512,
    "learning_rate": 0.05,
    "boosting_type": "gbdt",
    "objective": "binary",
    "metric": "binary_logloss",
    "num_leaves": 10,
    "verbose": -1,
    "min_data": 100,
    "boost_from_average": True
}

# 模型训练
model = lgb.train(params, d_train, 10000, valid_sets=[d_test], early_stopping_rounds=50, verbose_eval=1000)# explain the model

# 模型解释
explainer = shap.TreeExplainer(model)
shap_values = explainer.shap_values(X)# visualize the impact of each features
shap.summary_plot(shap_values, X)