SHAP | 机器学习最佳助手，可视化功能更是一绝！！

前言

今天是我的可视化课程上线的第301天，目前学员451人，每篇原创公众号都会记录这个人数，用来督促和激励我的原创内容。目前课程的主要方向是 科研、统计、地理相关的学术性图形绘制方法，后续也会增加商务插图、机器学等、数据分析等方面的课程。课程免费新增，这点绝对良心！

今天是我的可视化学习社群上线的第81天，目前学员134人，可视化学习社区以我的书籍《科研论文配图绘制指南-基于Python》为基础进行拓展，提供「课堂式」教学视频，还有更多拓展内容，可视化技巧远超书籍本身，书籍修正和新增都会分享到圈子里面~~

参与课程或者圈子的你将获取到：学员答疑、可视化资源分享、可视化技巧补充、可视化业务代做(学员和甲方对接)、副业交流、提升认知等等。

「SHAP」-解释任何机器学习的输出结果

今天给大家介绍一个机器学习相关的Python工具包-「SHAP」,可用于解释任何机器学习模型的输出，不过我们重点介绍其可视化部分，不得不说，有的图真的很好看~~

SHAP（SHapley Additive exPlanations） 是一个用于解释机器学习模型预测结果的工具包。它提供了一种基于博弈论概念的方法来解释模型的预测结果，并帮助我们理解每个特征对于预测结果的贡献程度。

可视化功能

这里我们就单独介绍其内置的可视化函数，如下：

• bar plot

shap.plots.bar(shap_values)

Global bar plot

Local bar plot

Cohort bar plot

• beeswarm plot

shap.plots.beeswarm(shap_values)

A simple beeswarm summary plot

Custom colors

• decision plot

shap.decision_plot(expected_value, shap_values, features_display)

shap.force_plot(
    expected_value,
    shap_values[misclassified],
    features_display[misclassified],
    link="logit",
    matplotlib=True,
)

• heatmap plot

shap.plots.heatmap(shap_values)

• scatter plot

shap.plots.scatter(shap_values[:, "Age"], color=shap_values)

• violin summary plot

shap.plots.violin(shap_values)

• waterfall plot

shap.plots.waterfall(shap_values[0])

这里我们只是简单的介绍其可视化绘制功能，当然，SHAP工具的其他功能，对学习机器学习的朋友还是非常友好的，喜欢的同学可参考：SHAP包官网[1]

参考资料

[1]

SHAP包官网: https://shap.readthedocs.io/en/latest/index.html。