shap.AdditiveExplainer

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

为广义可加模型计算 SHAP 值。

这假定模型只具有一阶效应。将其扩展到二阶和三阶效应是未来的工作（如果现在将其应用于那些模型，将会得到不满足可加性的错误答案）。

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

为给定的模型使用给定的掩码器（masker）对象构建一个可加解释器（Additive explainer）。

参数:

model函数

一个可调用的 Python 对象，它接收一组输入数据样本并执行模型。

masker函数或 numpy.array 或 pandas.DataFrame

一个可调用的 Python 对象，用于“遮盖”隐藏的特征，其形式为 masker(mask, *fargs)。它接受一个二元掩码和一个输入样本，并返回一个被遮盖样本的矩阵。这些被遮盖的样本将通过模型函数进行评估，然后对输出进行平均。作为 SHAP 标准掩码操作的快捷方式，你可以传入一个背景数据矩阵而不是一个函数，该矩阵将被用于掩码。要使用聚类博弈结构，你可以传递一个 shap.maskers.Tabular(data, hclustering="correlation") 对象，但请注意，这种结构信息对可加模型的解释没有影响。

方法

__init__(model, masker[, link, ...])	为给定的模型使用给定的掩码器（masker）对象构建一个可加解释器（Additive explainer）。
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一个解释器。
save(out_file[, model_saver, masker_saver])	将解释器写入给定的文件流。
supports_model_with_masker(model, masker)	判断此解释器是否能处理给定的模型。

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=None, masker_loader=None, instantiate=True)

从给定的文件流加载一个解释器。

参数:

in_file用于加载对象的文件流。

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

将解释器写入给定的文件流。

static supports_model_with_masker(model, masker)

判断此解释器是否能处理给定的模型。

这是一个抽象的静态方法，需要由每个子类实现。