训练一个回归模型并创建一个沙普利对象。当你创建沙普利对象，如果不指定查询点，则软件不会计算Shapley值。使用对象函数适合计算指定查询点的福利值。然后使用对象函数创建福利值的条形图情节．

加载CARBIG.数据集，其中包含20世纪70年代和80年代初生产的汽车的测量数据。

负载CARBIG.

创建一个包含预测变量的表加速度，气瓶，等等，以及响应变量MPG.．

TBL =桌子（加速，气缸，位移，马力，Model_year，重量，MPG）;

在培训集中删除缺失值可以帮助降低内存消耗并加速培训fitrkernel函数。删除资源描述．

台= rmmissing(台);

训练一个黑匣子模型MPG.通过使用fitrkernel功能

rng (“默认”）%的再现性mdl = fitrkernel(资源描述,“英里”，“CategoricalPredictors”[2 - 5]);

创建一个沙普利对象。指定数据集资源描述,因为MDL.不包含培训数据。

讲解员=沙普利(mdl(资源)

explainer = shapley with properties: BlackboxModel: [1x1 RegressionKernel] QueryPoint: [] BlackboxFitted: [] ShapleyValues: [] NumSubsets: 64 X: [392x7 table] CategoricalPredictors: [2 5] Method: ' interonal -kernel' Intercept: 22.6202

讲解员存储培训数据资源描述在X财产。

计算第一次观测的所有预测变量的Shapley值资源描述．

querypoint = tbl（1，:)

queryPoint =表1×7加速气瓶位移马力Model_year重量MPG ____________ ______________________ 12 8 307 130 70 3504 18

讲解员=适合(讲解员,queryPoint);

对于回归模型，沙普利使用预测的响应计算Shapley值，并将它们存储在ShapleyValues财产。显示值ShapleyValues财产。

解释者。谢谢价值

ans =6×2表Predictor ShapleyValue ______________ ____________“加速”-0.1561“圆柱”-0.18306“位移”-0.34203“马力”-0.27291“Model_year”-0.2926“重量”-0.32402

控件绘制查询点的Shapley值情节函数。

情节(讲解员)

水平条形图显示了所有变量的Shapley值，按它们的绝对值排序。每个Shapley值解释了由于相应的变量，查询点的预测与平均值之间的偏差。

训练分类模型并创建沙普利对象。然后计算多个查询点的福利值。

加载CreditRating_Historical数据集。该数据集包含客户id及其财务比率、行业标签和信用评级。

台= readtable ('Credenrating_historical.dat')；

使用的方法训练信用评级的黑箱模型Fitcecoc.函数。使用从第二列到第七列的变量资源描述作为预测变量。

黑箱= fitcecoc(资源描述,“评级”，......“PredictorNames”tbl.Properties.VariableNames (7),......“CategoricalPredictors”，“行业”)；

创建一个沙普利对象的黑箱模型。为了更快的计算，将25%的观测数据从资源描述并使用样本来计算Shapley值。指定使用kernelSHAP算法的扩展。

rng (“默认”）%的再现性c = cvpartition(资源描述。评级,'坚持', 0.25);: tbl_ =台(测试(c):);: tbl_讲解员=沙普利(黑盒,'方法'，'条件 - 内核')；

查找两个查询点，其真正的评级值是AAA和B,分别。

queryPoint (1) =: tbl_(找到(strcmp (: tbl_。评级,'aaa'), 1):);queryPoint (2) =: tbl_(找到(strcmp (: tbl_。评级,'B'），1），:)

queryPoint =2×8表ID WC_TA RE_TA EBIT_TA MVE_BVTD S_TA行业评级  _____ ______ ______ _______ ________ _____ ________ _______ 58258 0.511 0.869 0.106 8.538 0.732 - 2 {' AAA '} 82367 -0.078 -0.042 0.011 0.262 0.167 7 {B}

计算并绘制第一个查询点的Shapley值。

explexer1 = fit（解释器，querypoint（1，:)）;绘图（excexer1）

计算并绘制第二个查询点的Shapley值。

ExplateR2 = Fit（解释器，QueryPoint（2，:)）;情节（excexer2）

第二个查询点的真实评级是B，但预测的评级是BB．图中显示了预测评级的Shapley值。

explainer1和explainer2分别包含第一个查询点和第二个查询点的Shapley值。