SHAP kernel explainer

Python 的 Explainable AI

Fouad Trad

Machine Learning Engineer

圖片說明：SHAP explainer 分為可用於任意模型的一般型，以及針對特定模型類型最佳化的專用型。

Heart disease

age	sex	blood_pressure	ecg_results	thalassemia
52	1	125	1	3
53	1	140	0	3
70	1	145	1	3
61	1	148	1	3
62	0	138	1	2

mlp_clf: 多層感知器，用於預測心臟病風險

age	gender	bmi	children	smoker	charges
19	0	27.900	0	1	16884.92
18	1	33.770	1	0	1725.55
28	1	33.000	3	0	4449.46
33	1	22.705	0	0	21984.47
32	1	28.880	0	0	3866.85

mlp_reg: 多層感知器，用於預測保險費用

import shap


explainer = shap.KernelExplainer(
  # Model's prediction function, 
  # Representative summary of dataset
)

import shap


explainer = shap.KernelExplainer(
  # Model's prediction function, 
  # Representative summary of dataset
)

import shap

explainer = shap.KernelExplainer(
  mlp_reg.predict, 
  # Representative summary of dataset
)

import shap

explainer = shap.KernelExplainer(
  mlp_clf.predict_proba, 
  # Representative summary of dataset
)

import shap

explainer = shap.KernelExplainer(
  mlp_reg.predict, 
  shap.kmeans(X, 10)
)


shap_values_reg = explainer.shap_values(X)

import shap

explainer = shap.KernelExplainer(
  mlp_clf.predict_proba, 
  shap.kmeans(X, 10)
)


shap_values_cls = explainer.shap_values(X)

mean_reg = np.abs(shap_values_reg).mean(axis=0)

plt.bar(X.columns, mean_reg)

圖片說明：迴歸任務的特徵重要度長條圖，顯示吸菸與年齡對預測費用影響最大。

mean_cls = np.abs(shap_values_cls[:,:,1]).mean(axis=0)

plt.bar(X.columns, mean_cls)

圖片說明：分類任務的特徵重要度長條圖，顯示胸痛類型與海洋性貧血對預測最具影響。

plt.bar(X.columns, np.abs(lin_reg.coef_))

圖片說明：使用線性迴歸模型的特徵重要度長條圖，顯示吸菸與年齡對預測費用影響最大。

plt.bar(X.columns, np.abs(log_reg.coef_[0]))

圖片說明：分類任務的特徵重要度長條圖，顯示胸痛類型對預測最具影響。

Python 的 Explainable AI