如何解决掩蔽器在 SHAP 包中的真正作用是什么,让它们适合训练或测试?
我一直在尝试使用 shap
包。我想从我的逻辑回归模型中确定 shap 值。与 TreeExplainer
相反,LinearExplainer
需要所谓的掩码。这个掩码器到底是做什么的,独立掩码器和分区掩码器有什么区别?
另外,我是否对测试集中的重要特征感兴趣。然后我将掩码器安装在训练集还是测试集上?您可以在下面看到一段代码。
model = LogisticRegression(random_state = 1)
model.fit(X_train,y_train)
masker = shap.maskers.Independent(data = X_train)
**or**
masker = shap.maskers.Independent(data = X_test)
explainer = shap.LinearExplainer(model,masker = masker)
shap_val = explainer(X_test)```
解决方法
Masker 类提供背景数据来“训练”您的解释器。即,在:
explainer = shap.LinearExplainer(model,masker = masker)
您正在使用由掩码器确定的背景数据(您可以通过访问 masker.data
属性查看使用了哪些数据)。您可以阅读更多关于“真实模型”或“真实数据”的解释here 或 here。
根据上述情况,您可以同时进行计算:
masker = shap.maskers.Independent(data = X_train)
**or**
masker = shap.maskers.Independent(data = X_test)
explainer = shap.LinearExplainer(model,masker = masker)
但从概念上讲,imo 以下更有意义:
masker = shap.maskers.Independent(data = X_train)
explainer = shap.LinearExplainer(model,masker = masker)
这类似于通常的 train/test
范式,您可以在训练数据上训练模型(和解释器),并尝试预测(和解释)测试数据。
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。