散点密度图 vs. 小提琴图

此笔记本提供多个示例来比较 summary_plot 的点密度图和小提琴图选项。

import xgboost

import shap

# train xgboost model on diabetes data:
X, y = shap.datasets.diabetes()
bst = xgboost.train({"learning_rate": 0.01}, xgboost.DMatrix(X, label=y), 100)

# explain the model's prediction using SHAP values on the first 1000 training data samples
shap_values = shap.TreeExplainer(bst).shap_values(X)

分层小提琴图

在没有颜色时，此图可以简单地将每个变量的重要性分布显示为标准小提琴图。

shap.summary_plot(shap_values[:1000, :], X.iloc[:1000, :], plot_type="layered_violin", color="#cccccc")

例如，在上面，我们可以看到 s5 是最重要的变量，并且通常它会导致预测发生较大的正向或负向变化。但是，是 s5 的大值导致正向变化，而小值导致负向变化吗？还是反之亦然，或者更复杂的情况？如果我们使用颜色来表示特征的大小，那么这将变得显而易见

shap.summary_plot(
    shap_values[:1000, :],
    X.iloc[:1000, :],
    plot_type="layered_violin",
    color="coolwarm",
)

在这里，红色代表变量的大值，蓝色代表小值。因此，很明显 s5 的大值确实会增加预测，反之亦然。您还可以看到其他变量（如 s6）相当均匀地分布，这表明虽然它们总体上仍然重要，但它们的交互作用取决于其他变量。（毕竟，像 xgboost 这样的树模型的重点是捕获这些交互作用，所以我们不能期望在一个维度中看到一切！）

请注意，颜色的顺序并不重要：每个小提琴实际上是由多个 (layered_violin_max_num_bins) 单独平滑的形状堆叠在一起组成的，其中每个形状对应于特征的某个百分位数（例如，s5 值的 5-10% 百分位数）。这些形状始终先绘制小值（因此最接近 x 轴），最后绘制大值（因此在“边缘”上），这就是为什么在这种情况下您总是看到红色在边缘，蓝色在中间。（当然，您可以使用不同的颜色映射来切换此顺序，但重点是红色在内/蓝色在外的顺序没有固有的含义。）

如果您愿意，还可以尝试其他选项。最值得注意的是上面提到的 layered_violin_max_num_bins。这还有一个额外的效果，如果特征的唯一值少于 layered_violin_max_num_bins，那么我们不是将每个部分划分为百分位数（上面的 5-10%），而是使每个部分代表一个特定值。例如，由于 sex 只有两个值，这里蓝色将表示男性（或女性？），红色表示女性（或男性？）。

点图

点图将散点图与密度估计相结合，通过让点在不适合时堆积起来。这种方法的优点是它不会将任何东西隐藏在核平滑之后，因此您可以看到数据的精确表示。

shap.summary_plot(shap_values[:1000, :], X.iloc[:1000, :])

小提琴图

这些是标准小提琴图，但异常值绘制为点。与仅从几个点估计的核密度相比，这提供了更准确的异常值密度表示。颜色表示该位置的平均特征值，因此红色区域高特征值占主导地位，而蓝色区域低特征值占主导地位。

shap.summary_plot(shap_values[:1000, :], X.iloc[:1000, :], plot_type="violin")