Python机器学习模型解释库Shap可视化详解：从安装到六种核心图表

Luna

发布时间：2026-10-15| 7人浏览过

原创

本文详细介绍Python中Shap库的安装与使用，通过XGBoost模型和糖尿病数据集演示如何生成SHAP值。内容涵盖Bar Plot、队列图、热图、瀑布图、力图及决策图六种核心可视化方法，帮助开发者深入理解黑盒模型的输出逻辑与特征贡献。

解释机器学习模型往往是一项极具挑战的任务，因为模型内部的运作机制如同黑盒般难以捉摸。进行模型解释至关重要，这不仅有助于我们筛选出性能最佳的模型，还能确保模型的稳健性与可靠性。

接下来我们将进入实际操作环节。

安装所需的库

首先通过pip命令安装Shap库，具体执行命令如下。


pip install shap

导入所需库

在此步骤中，我们需要导入用于加载数据、构建模型以及生成模型可视化结果的必要Python库。


df = pd.read_csv('/content/Diabetes.csv')
features = ['Pregnancies', 'Glucose','BloodPressure','SkinThickness','Insulin','BMI','DiabetesPedigreeFunction','Age']
Y = df['Outcome']
X =  df[features]
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size = 0.2, random_state = 1234)
xgb_model = xgb.XGBRegressor(random_state=42)
xgb_model.fit(X_train, Y_train)

创建模型

本步骤旨在构建机器学习模型。文中以XGBoost模型为例，但读者可根据需求选择其他模型类型。所使用的数据集为来自Kaggle的著名糖尿病数据集。


df = pd.read_csv('/content/Diabetes.csv')
features = ['Pregnancies', 'Glucose','BloodPressure','SkinThickness','Insulin','BMI','DiabetesPedigreeFunction','Age']
Y = df['Outcome']
X =  df[features]
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size = 0.2, random_state = 1234)
xgb_model = xgb.XGBRegressor(random_state=42)
xgb_model.fit(X_train, Y_train)

创建可视化

随后，我们将为Shap创建解释器，计算模型的SHAP值，并利用这些值生成相应的可视化图表。


explainer = shap.Explainer(xgb_model)
shap_values = explainer(X_test)

1、Bar Plot


shap.plots.bar(shap_values, max_display=10)

2、队列图


shap.plots.bar(shap_values.cohorts(2).abs.mean(0))

3、热图


shap.plots.heatmap(shap_values[1:100])

4、瀑布图


shap.plots.waterfall(shap_values[0]) # For the first observation

5、力图


shap.initjs()
explainer = shap.TreeExplainer(xgb_model)
shap_values = explainer.shap_values(X_test)
def p(j):
    return(shap.force_plot(explainer.expected_value, shap_values[j,:], X_test.iloc[j,:]))
p(0)

6、决策图


shap_values = explainer.shap_values(X_test)[1]
print("The expected value is ", expected_value)
print("The final prediction is ", xgb_model.predict(X_test)[1])
shap.decision_plot(expected_value, shap_values, X_test)