6、机器学习模型可解释性方法及逻辑回归模型解析

机器学习模型可解释性方法及逻辑回归模型解析

1. SHAP值热力图

SHAP（SHapley Additive exPlanations）值是一种用于解释机器学习模型预测结果的方法。通过 shap.plots.heatmap(shap_values[:1000]) 代码可以绘制热力图。在这个热力图中，由于相同原因导致相同模型输出的样本会被分组在一起，例如受功率BHP和年龄影响较大的人群。模型的输出显示在热力图矩阵上方，每个模型输入的全局重要性以条形图的形式显示在图形的右侧，默认使用 shap.order.abs.mean 来衡量整体重要性。

2. LIME解释与机器学习模型

LIME（Local Interpretable Model-Agnostic Explanations）是一种可以通过局部近似可解释模型，以忠实的方式解释任何分类器或回归器预测结果的算法。它通过调整单个数据样本的特征值，并观察其对输出的影响，来解释每个数据样本的预测结果。LIME的输出是一组解释，代表每个特征对单个样本预测的贡献，这是一种局部可解释性的形式。

2.1 LIME的安装与使用步骤

• 安装 ：使用 pip 命令进行安装：

!pip install lime

• 导入必要的库 ：