主要内容

情节

绘制福芙价值

折叠所有页面

    语法

    情节（解释器）
    情节(讲解员、名称、值)
    b =情节(＿＿＿）

    描述

    例子

    阴谋（解释者）的Shapley值的水平条形图沙普利对象解释者．这些值存储在对象的值中ShapleyValues财产。每个竖条显示黑箱模型中每个特性的Shapley值(讲解员。BlackBoxModel.）对于查询点（讲解员。QueryPoint）。

    例子

    阴谋（解释者，名称，价值）使用一个或多个名称值参数指定其他选项。例如，指定'numimportantpredictors'，5绘制Shapley绝对值最高的五个特征的Shapley值。

    b =情节(＿＿＿）返回条形图对象b使用前面语法中的任何输入参数组合。使用b查询或修改酒吧属性在创建后的条形图。

    例子

    全部收缩

    打开生活的脚本

    训练分类模型并创建沙普利对象。然后利用目标函数绘制Shapley值情节．

    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。

    TBL = READTABLE（“CreditRating_Historical.dat”）;

    显示表的前三行。

    头(资源描述,3)
    ANS =.3×8表ID WC_TA RE_TA EBIT_TA MVE_BVTD S_TA工业评分_____ _____ _____ _______ ________ _____ ________ ______ 62394 0.013 0.104 0.036 0.447 0.142 3 { 'BB'} 48608 0.232 0.335 0.062 1.969 0.281 8 { 'A'} 42444 0.311 0.367 0.074 1.935 0.366 1 {'A'}

    通过使用培训Blackbox模型的信用评级模型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。推荐的实践是指定类名以设置类的顺序。

    黑箱= fitcecoc(资源描述,'评分'，．..'predictornames'，tbl.properties.variablenames（2：7），．..“CategoricalPredictors”，“行业”，．..“类名”, {“AAA”“AA”“一个”'bbb'“BB”“B”'CCC'}）；

    创建一个沙普利对象，它解释了最后一次观测的预测。为了更快的计算，将25%的观测数据从资源描述分层并使用样品来计算福利值。

    queryPoint =(资源(最终,:)
    querypoint =表1×8ID WC_TA RE_TA EBIT_TA MVE_BVTD S_TA工业评分_____ _____ _____ _______ ________ ____ ________ ______ 73104 0.239 0.463 0.065 2.924 0.34 2 { 'AA'}
    rng (“默认”）再现性的百分比c = cvpartition（tbl.rating，“坚持”，0.25）;tbl_s = tbl（测试（c），:);解释者=福利（Blackbox，Tbl_s，“QueryPoint”，querypoint）;

    对于分类模型，沙普利使用每个类的预测类得分计算Shapley值。中的值显示ShapleyValues财产。

    讲解员。ShapleyValues
    ANS =.6×8表预测AAA AA BBB BB B CCC  __________ __________ __________ ___________ __________ ___________ ___________ ___________ " WC_TA“0.014583 0.0064698 0.0027468 0.00045582 -0.0079591 -0.011811 -0.011279”RE_TA“0.047796 0.027083 0.015166 -0.0031936 -0.025054 -0.059564 -0.083439”EBIT_TA“0.00034326 0.0001524 0.00012384 3.5202 -0.00019141 e-05-0.00038252 -0.00033693 "MVE_BVTD" 0.38221 0.38229 0.19383 -0.0079011 -0.15755 -0.21522 -0.17022 "S_TA" -0.0035663 -0.0025991 -0.00021177 -0.0010166 -2.0989e-05 0.00041415 -0.00058882 "Industry" -0.028315 -0.013392 0.00089644 0.022877 0.025636 0.028485 0.044835

    的ShapleyValues属性包含每个类的所有特性的Shapley值。

    通过使用使用来绘制预测类的福利值情节函数。

    情节（解释器）

    图中包含一个轴对象。标题为Shapley Explanation的axes对象包含一个类型为bar的对象。

    水平条形图显示所有变量的福音值，按其绝对值排序。由于相应的变量，每个福芙值解释了从预测类的平均分数的查询点的分数的偏差。

    中指定所有类名，绘制所有类的Shapley值讲解员。BlackBoxModel.．

    情节（解释者，“类名”explainer.BlackboxModel.ClassNames)

    图中包含一个轴对象。标题为Shapley Explanation的axis对象包含7个类型为bar的对象。这些对象代表AAA, AA, A, BBB, BB, B, CCC。

    打开生活的脚本

    训练一个回归模型并创建一个沙普利对象。使用对象功能适合来计算指定查询点的Shapley值。然后利用目标函数绘制预测器的Shapley值情节．调用时指定要绘制的重要预测器的数量情节函数。

    加载carbig数据集，其中包含在20世纪70年代和20世纪80年代初进行的汽车测量。

    负载carbig

    创建包含预测器变量的表加速，气缸等等，以及响应变量MPG.．

    台=表(加速度、汽缸、排量、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。删除缺失的值资源描述．

    台= rmmissing(台);

    训练一个黑盒模型MPG.通过使用fitrkernel功能

    rng (“默认”）再现性的百分比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

    解释者存储训练数据资源描述在X财产。

    计算所有预测变量的福利值，以获得第一次观察资源描述．

    : queryPoint =(资源(1)
    querypoint =表1×7加速气缸位移马力Model_Year体重MPG  ____________ _________ ____________ __________ __________ ______ ___ 12 8 307 130 70 3504
    解释者=适合（解释者，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。中的值显示ShapleyValues财产。

    讲解员。ShapleyValues
    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

    通过使用使用的查询点的福利值绘制情节函数。指定'numimportantpredictors'，5只绘制预测反应的五个最重要的预测因子。

    情节（解释者，'numimportantpredictors'5)

    图中包含一个轴对象。标题为Shapley Explanation的axes对象包含一个类型为bar的对象。

    水平条形图显示了五个最重要的预测因子的福音值，由其绝对值排序。由于相应的变量，每个福族物值解释了对来自平均值的查询点的预测的偏差。

    输入参数

    全部收缩

    对象解释黑盒模型，指定为沙普利对象。

    名称-值参数

    指定可选的逗号分隔的对名称，价值论点。的名字参数名和价值为对应值。的名字必须出现在引号内。您可以以任何顺序指定多个名称和值对参数Name1, Value1,…,的家．

    例子：情节（解释者，'NumimportantPredictors'，5，'ClassNames'，C）创建一个条形图，其中包含五个最重要的预测因子的福利值c．

    要绘制的重要预测数，指定为正整数。的情节函数绘制指定数量的具有最高绝对Shapley值的预测器的Shapley值。

    例子：'numimportantpredictors'，5指定绘制五个最重要的预测因子。的情节函数通过使用绝对Shapley值来确定重要性的顺序。

    数据类型：单|双倍的

    要绘制的类标签，指定为类别或字符数组、逻辑或数字向量或字符向量的单元格数组。中的值和数据类型“类名”属性中的类名必须匹配一会中机器学习模型的性质解释者（explainer.BlackboxModel.ClassNames）。

    您可以指定一个或多个标签。如果指定多个类标签，则函数绘制多个条形，具有不同颜色的每个功能。

    默认值是查询点的预测类（BlackboxFitted财产解释者）。

    此参数仅在机器学习模型（BlackBoxModel.)解释者是一个分类模型。

    例子：'classnames'，{'红色'，'蓝'}

    例子：'classnames'，semoremer.blackboxmodel.classnames指定“类名”所有的班级BlackBoxModel.．

    数据类型：单|双倍的|逻辑|char|细胞|分类

    更多关于

    全部收缩

    福利价值观

    在博弈论中，参与者的Shapley值是参与者在合作博弈中的平均边际贡献。在机器学习预测的上下文中，一个查询点的特征的Shapley值解释了该特征对指定查询点的预测(对回归的响应或分类的每个类的得分)的贡献。

    查询点的特征的Shapley值是特征对平均预测偏差的贡献。对于一个查询点，所有特征的Shapley值的和对应于预测与平均值的总偏差。也就是说，所有特征的平均预测和Shapley值的和对应于查询点的预测。

    有关详细信息，请参见机器学习模型的Shapley值．

    参考文献

    Lundberg, Scott M和S. Lee。“解释模型预测的统一方法”神经信息处理系统研究进展30(2017): 4765 - 774。

    Aas, Kjersti, Martin。朱勒姆和安德斯·洛兰德。解释特征依赖时的个人预测:对Shapley值的更精确的近似arxiv：1903.10464（2019）.

    另请参阅

    |

    主题

    在R2021A介绍

    统计和机器学习工具箱文档

    金宝app

    掌握机器学习:一步一步的指导与MATLAB

    掌握机器学习:一步一步的指导与MATLAB

    下载电子书