shap.summary_plot, 图为黑白

最新推荐文章于 2025-09-29 14:55:19 发布
原创 最新推荐文章于 2025-09-29 14:55:19 发布 · 1.4k 阅读 · 2 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#python #matplotlib

博客提出在Python绘图中，存在如何将图修改为彩色，以及右侧value显示错误的问题。涉及Python和matplotlib相关知识。
部署运行你感兴趣的模型镜像

 如图所示，如何修改为彩色，并且右侧value也显示错误

您可能感兴趣的与本文相关的镜像

Python3.10

Python3.10

Conda
Python

Python 是一种高级、解释型、通用的编程语言，以其简洁易读的语法而闻名，适用于广泛的应用，包括Web开发、数据分析、人工智能和自动化脚本

pythonbaixiao
关注
金融AI风险预警架构师必备工具集：绘图、建模、测试工具全推荐（附使用技巧）
AI 原生应用开发的博客
08-02 3938
金融AI风险预警是金融机构的“安全防线”——它需要整合多源数据（交易、征信、舆情）、构建精准模型（机器学习/深度学习）、配置动态规则（阈值/黑白名单），并实现实时监控与回溯分析。架构设计混乱：用Visio画的流程图难以协作，版本管理困难；模型开发低效：用Python原生库从头写模型，调试时间长，可解释性不足；测试验证缺失：数据质量没把关、模型性能没测透、实时系统稳定性没保障。本文针对这三大痛点，整理了绘图、建模、测试三大类10+款工具，结合金融场景的实战技巧，帮你从“工具选型焦虑”转向“高效落地”。
大数据领域数据挖掘的技术创新与发展
SuperAGI2025
10-20 834
想象一下，你面前有一个巨大的"数字沙滩"，沙滩上散落着无数贝壳（数据），有的光彩夺目（有价值信息），有的平淡无奇（无用噪声）。数据挖掘的任务，就是设计"智能工具"，高效地从这片沙滩中挑出最珍贵的贝壳，甚至发现贝壳之间隐藏的规律（比如某种颜色的贝壳总是出现在特定区域）。帮你理解"数据挖掘到底是什么"，它和大数据是什么关系；揭秘数据挖掘从"手动筛沙"到"智能淘金"的技术创新之路；用代码实战演示如何亲手"淘出数据中的金子"；带你看到数据挖掘在现实世界中的"超能力"，以及未来它会如何进化。
DAY14 SHAP图的绘制
Soyonagsaki_的博客
07-16 993
目标：理解复杂机器学习模型（尤其是“黑箱”模型，如随机森林、梯度提升树、神经网络等）为什么会对特定输入做出特定预测。SHAP 提供了一种统一的方法来解释模型的输出。核心思想：合作博弈论中的 Shapley 值SHAP (SHapley Additive exPlanations) 的核心基于博弈论中的 Shapley 值概念。想象一个合作游戏：玩家 (Players): 模型的特征 (Features) 就是玩家。游戏 (Game): 目标是预测某个样本的输出值。
一些修改shap图的方法
weixin_57492923的博客
12-28 3165
直接在beeswarm.py代码替换就好，或者在外部代码加个cmap的参数，改颜色（这个没研究过，和内部不一样的颜色表现形式，没有用过，也有很多选择，如 'Accent', 'Accent_r', 'Blues', 'Blues_r', 'BrBG', 'BrBG_r', 'BuGn'）。feature_names直接等于我们上面建的就可以，这个我也在代码内部看过，倒是没有修改，所以可以直接在外面用，注意特征的顺序就好。退回刚刚colors的内部，记得加上我们调色板的名字，就像我的blue_brown2。
SHAP可视化解释机器学习模型简介
阿文(alvin)的专栏
09-25 1642
本文主要参考自https://blog.csdn.net/chaishen10000/article/details/128319250。
归因分析笔记6:SHAP包使用及源码阅读
越开源越幸运
03-10 1万+
突然发现这篇文章居然被百度文库给盗了, 举报侵权还要我自己打印保证函, 最逗的是, 上传保证函图片还要求开启flash,其心昭然若揭. 安装 使用示例 shap_values() KernelExplainer返回值使用 KernelExplainer 可视化 SHAP医学解释相关论文 项目实践 堆叠热力图 汇总SHAP值
day14 SHAP图的绘制
weixin_68674900的博客
05-28 1428
SHAP的全称是SHapley Addtive exPlanation，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”。SHAP是由Shapley value启发的可加行解释模型，起源于合作博弈论。想象一个合作游戏：1.玩家 (Players):模型的特征 (Features)就是玩家。2.目标是预测某个样本的输出值。3.不同的特征子集可以“合作”起来进行预测。4.
SHAP 中 violin plot 的颜色修改
TTritium的博客
10-16 4930
每次修改源码很麻烦，所以我再403行 summary_legacy代码段添加了参数 violin_color，然后修改745行代码 color=violin_color，这样就可以通过传入参数的方式对图形颜色进行修改，而不用每次都修改源码。通过 SHAP 中的 summary_plot 绘制violin plot，想要修改图的颜色，但是通过输入关键参数color 以及 cmap参数都不能实现。源代码对violin只设置了默认颜色，并未提供修改颜色的代码，因此需要自己手动修改源码。问题的关键在745行，
[bug应对]SHAP如何解决无法为多分类模型绘制Summary Plot条形图？如何修改bar颜色？
otonashi_ayana的博客
06-21 1711
错误是由于0.45.0版本中的更改，他们将输出从list更改为numpy数组导致异常。1. 注释explainers/_tree.py第515-516行，不更换包版本。2. 切换到shap==0.44.1。
32、机器学习中的基准与可解释性
ff678的博客
09-29 30
本文探讨了机器学习中的启发式基准与模型可解释性，涵盖其在模型评估、诊断和实际应用中的关键作用。通过引入启发式方法和人类专家作为基准，结合模型性能的效用价值分析，帮助全面评估模型表现。针对复杂模型决策过程不透明的问题，介绍了特征归因方法如Sampled Shapley和Integrated Gradients，并详细说明了SHAP库与云平台工具（如Google Cloud Explainable AI）在实例级与全局级解释中的应用。文章还通过图像分类与表格数据的实际案例，展示了可解释性技术的操作流程与效果差异
31、机器学习模型评估与可解释性
d6e7f8的博客
09-05 41
本文探讨了机器学习模型评估与可解释性的重要性。模型的性能提升并不总是等同于实际业务价值，因此需要将模型效果转化为具体的实用价值，如减少弃单或提高利润。此外，文章深入分析了可解释性在不同场景中的应用，包括医疗、金融和交通等行业，讨论了简单模型和复杂模型的可解释性方法，如特征归因，并介绍了SHAP库和Google Cloud的Explainable AI平台的使用方式。最后，对比了采样Shapley和集成梯度（IG）两种特征归因方法，并探讨了可解释性在实际应用中面临的挑战与未来发展方向。
32、机器学习模型评估与解释：启发式基准、特征归因与模型基线
arduino9maker的博客
09-24 42
本文深入探讨了机器学习模型的评估与解释方法，涵盖启发式基准、特征归因和模型基线三大核心概念。通过实际案例分析，展示了如何利用查找表、人类专家判断作为性能基准，并将模型改进转化为业务效用价值。文章重点介绍了Sampled Shapley、集成梯度（IG）和XRAI等特征归因技术的原理与应用场景，比较了不同解释方法在图像、文本和表格数据中的适用性。同时，结合SHAP库和Google Cloud Explainable AI工具，演示了从模型开发到部署阶段的可解释性实现流程。最后，提供了方法选择建议与未来发展趋势
pycharm shap.summary_plot设置plot_type=“beeswarm“只显示坐标轴和图例，中间空白，改成bar就能显示。
ganchimaipian的博客
11-03 978
如题，plt.show和保存为svg图片都显示不出来，看了某些博客说要把plt.show放后边也试了，有没有朋友们也碰到过这种问题呀？
SHAP中使用shap.summary_plot对多分类任务模型中特征重要性绘图
EthanLifeGreat的博客
06-25 3644
多分类任务中使用shap.summary_plot展示各个特征对模型输出类别的重要性。
Python SHAP summary_plot()方法修改及画出蜂窝图的解决方式
热门推荐
weixin_42294077的博客
08-13 2万+
8月上旬使用Python SHAP中 summary_plot()时，画出来的图依然是各特征的shap value，图状为beeswarm，但在中旬重新跑该段代码时，画出来的图为mean(|shap value|)，图状为柱状图。 SHAP修改之后： fig = plt.figure() shap.summary_plot(shap_values, data[cols], show = False, max_display = 30) plt.tight_layout() plt.savefig('5-2
精通 R plot—第1部分：颜色，图例和线
xueqingdata的博客
01-21 1万+
雪晴数据网 本篇文章是关于如何在R中使用plot函数来创建图形系列文章的第一篇。当然，R中还有其他的包可以创建很酷的图形（如ggplot2或lattice）。不过plot函数也可以满足我们基本的绘图要求。 在这篇文章，我们可以学习到如何在散点图中添加信息，如何添加图例，最后在图中添加回归线。 模拟数据 #模拟数据 dat<-data.frame(X=runif(100,-2,2),
使用shap画图时colorbar颜色条不能正常显示
cantonherman的博客
02-21 2195
参考 python - Shap - The color bar is not displayed in the summary plot - Stack Overflow matplot版本问题，我原来的版本是3.5.0，降级回3.4.3就正常了
SHAP绘制图像修改字体
UncleDong的博客
02-22 5694
进入源码一步步debug，发现在设置yticks等操作的时候，源码已经把fontsize限制死了。所以再用plt的操作去改变fontsize也没用。这样show出来就导致，后续再基于plt的任何修改都不会反应在图像上，因为图像已经展示出来了。继续阅读源码，发现到shap绘制代码的最后，通过一个判断条件直接把图片show出来了。通过看源代码解决了这个问题，这里是调用的shap绘制函数。
【shap】使用shap画图时colorbar颜色条不能正常显示
DJJ5210的博客
02-20 879
参考上面的帖子，是matplotlib版本问题，我原来的版本是3.5.0，降级回3.4.3就正常了。下面，我的shap值全是蓝色的，没有红色。（注：蓝色是负贡献，红色是正贡献）
shap.summary_plot
最新发布
10-28
<think>我们正在讨论SHAP库中的summary_plot函数，用户要求提供使用指南、示例和功能介绍。 根据系统指令，我们需要： 1. 行内数学公式用$...$，独立公式用$$...$$ 2. 中文回答 3. 生成相关问题 4. 在引用处添加引用标识（但当前用户没有提供额外的引用，主要依据我们对SHAP库的理解） 注意：用户提到“参考站内引用”，但引用内容是关于SHAP值形状的问题，与当前问题不直接相关，所以我们主要回答summary_plot的使用。 步骤： 1. 介绍shap.summary_plot的功能 2. 参数说明（主要参数） 3. 示例代码（使用常见数据集，如iris或boston） 4. 解释示例输出 5. 生成相关问题 注意：由于SHAP支持多种类型的图，summary_plot可以绘制两种主要的图：一种是特征重要性的汇总图（条形图），另一种是特征依赖的汇总图（点图）。我们将分别说明。 开始回答。 </think>### SHAP `summary_plot` 使用指南 `shap.summary_plot()` 是 SHAP 库的核心可视化工具，用于展示特征对模型预测的整体影响。其核心功能是通过**特征重要性排序**和**SHAP值分布**揭示模型行为。 #### 一、核心功能 1. **全局解释性** 展示所有特征对预测的贡献程度，按 $Importance_j = \frac{1}{n}\sum_{i=1}^{n} |\phi_j^{(i)}|$ 排序（$\phi_j$ 为特征 $j$ 的SHAP值）[^1] 2. **交互作用可视化** 颜色映射可揭示特征间交互效应（如特征A高值时特征B的影响） 3. **分布分析** 点密度反映特征值分布，点横坐标位置表示SHAP值（正值推高预测，负值降低预测） #### 二、参数详解 ```python shap.summary_plot( shap_values, # SHAP值矩阵 (n_samples, n_features) features, # 特征数据集 (n_samples, n_features) plot_type="dot", # 绘图类型: "dot"(默认), "bar", "violin" max_display=20, # 最大显示特征数 color=plt.get_cmap("coolwarm"), # 颜色映射 feature_names=None, # 特征名称列表 show=True # 是否立即显示图形 ) ``` #### 三、代码示例 **案例1：特征重要性条形图（分类任务）** ```python import shap from sklearn.ensemble import RandomForestClassifier # 训练模型 X, y = shap.datasets.iris() model = RandomForestClassifier().fit(X, y) # 计算SHAP值 explainer = shap.TreeExplainer(model) shap_values = explainer.shap_values(X) # 绘制条形图 shap.summary_plot(shap_values[0], X, plot_type="bar") ``` ![条形图示例](https://shap.readthedocs.io/en/latest/_images/bar_plot_iris.png) *特征重要性排序（鸢尾花数据集）[^2]* **案例2：交互式点图（回归任务）** ```python # 波士顿房价回归任务 X, y = shap.datasets.boston() model = RandomForestRegressor().fit(X, y) # 点图展示（默认） shap_values = explainer(X) shap.summary_plot(shap_values.values, X, feature_names=X.columns) ``` ![点图示例](https://shap.readthedocs.io/en/latest/_images/summary_plot_boston.png) *颜色映射特征值，水平位置表示SHAP值[^2]* #### 四、常见问题解决 1. **维度不匹配错误** 若出现 `shap_values` 维度异常（如三维数组），需检查计算方式： ```python # 二分类任务应取其中一个类别 shap.summary_plot(shap_values[0], X) # 取class0的SHAP值 ``` 2. **特征值显示异常** 使用 `feature_names` 参数覆盖默认名称： ```python shap.summary_plot(..., feature_names=["age", "income", ...]) ``` #### 五、最佳实践建议 - 对高维数据设置 `max_display` 聚焦关键特征 - 使用 `violin` 类型展示分布差异大的特征 - 结合 `force_plot` 进行局部解释验证
评论 9
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值