利用Shap Value挑选变量

-永不妥协-

于 2019-03-19 09:07:51 发布

阅读量8.6k

点赞数

分类专栏：机器学习文章标签： SHAP VALUE

本文链接：https://blog.youkuaiyun.com/lz_peter/article/details/88654324

版权

机器学习专栏收录该内容

16 篇文章

订阅专栏

博客围绕SHAP VALUE展开，但具体内容缺失。SHAP VALUE在信息技术领域有重要应用，可用于解释机器学习模型的预测结果等。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

#Shap Value
clf = lgb.LGBMClassifier(objective='binary',random_state=1024).fit(X_train,y_train)

explainer = shap.TreeExplainer(clf)
shap_values = explainer.shap_values(X_train)
shap.summary_plot(shap_values, X_train,max_display=30) #特征重要性可视化
#shap.force_plot(explainer.expected_value, shap_values[1,:], X_train.iloc[1,:]) #单条可视化
#shap.dependence_plot("SMART_SCORE", shap_values, X_train)

global_shap_values_1 = pd.DataFrame(np.abs(shap_values).mean(0),index=X_train.columns).reset_index()
global_shap_values_1.columns = ['var','feature_importances_']
global_shap_values_1 = global_shap_values_1.sort_values('feature_importances_',ascending=False)