shap.AdditiveExplainer

class shap.AdditiveExplainer(model, masker, link=None, feature_names=None, linearize_link=True)

计算广义加性模型的 SHAP 值。

这假设模型只有一阶效应。扩展到二阶和三阶效应是未来的工作（如果您现在将此应用于这些模型，您将得到不正确的、不满足可加性的答案）。

__init__(model, masker, link=None, feature_names=None, linearize_link=True)

使用给定的掩码器对象为给定模型构建一个 Additive 解释器。

参数:

model函数

一个可调用的 python 对象，它根据一组输入数据样本执行模型。

masker函数 或 numpy.array 或 pandas.DataFrame

一个可调用的 python 对象，用于“掩盖”隐藏特征，形式为 masker(mask, *fargs)。它接受一个二进制掩码和一个输入样本，并返回一个掩码样本矩阵。这些掩码样本使用模型函数进行评估，然后对输出进行平均。作为 SHAP 使用的标准掩码的快捷方式，您可以传递一个背景数据矩阵而不是函数，该矩阵将用于掩码。要使用聚类博弈结构，您可以传递一个 shap.maskers.Tabular(data, hclustering="correlation") 对象，但请注意，此结构信息对加性模型的解释没有影响。

方法

__init__(model, masker[, link, ...])	使用给定的掩码器对象为给定模型构建一个 Additive 解释器。
explain_row(*row_args, max_evals, ...])	解释单行并返回元组 (row_values, row_expected_values, row_mask_shapes)。
load(in_file[, model_loader, masker_loader, ...])	从给定的文件流加载 Explainer。
save(out_file[, model_saver, masker_saver])	将 explainer 写入给定的文件流。
supports_model_with_masker(model, masker)	确定此 explainer 是否可以处理给定的模型。

explain_row(*row_args, max_evals, main_effects, error_bounds, batch_size, outputs, silent)

解释单行并返回元组 (row_values, row_expected_values, row_mask_shapes)。

classmethod load(in_file, model_loader=<bound method Model.load of <class 'shap.models._model.Model'>>, masker_loader=<bound method Serializable.load of <class 'shap.maskers._masker.Masker'>>, instantiate=True)

从给定的文件流加载 Explainer。

参数:

in_file用于从中加载对象的文件流。

save(out_file, model_saver='.save', masker_saver='.save')

将 explainer 写入给定的文件流。

static supports_model_with_masker(model, masker)

确定此 explainer 是否可以处理给定的模型。

这是一个抽象静态方法，旨在由每个子类实现。