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，如果未指定查询点，则软件不会计算福利值。使用对象功能适合来计算指定查询点的Shapley值。然后使用对象函数创建Shapley值的柱状图情节．

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度，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减少内存消耗并加速培训Fitrkernel.函数。删除缺失的值TBL.．

tbl = rmmissing（tbl）;

训练一个黑匣子模型MPG.通过使用Fitrkernel.函数

RNG（'默认'）重复性的％mdl = fitrkernel（tbl，“英里”，“CategoricalPredictors”[2 - 5]);

创建一个沙普利对象。指定数据集TBL.,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: ' interinteral -kernel'

讲解员存储训练数据TBL.在里面X财产。

计算所有预测变量的福音值，以获得第一次观察TBL.．

: 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

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福利值，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表预测器ShapleyValue ______________ ____________“加速度”-0.1561“气缸”-0.18306“位移”-0.34203“马力”-0.27291“Model_Year”-0.2926“重量”-0.32402

控件显示查询点的预测响应，并绘制查询点的Shapley值情节函数。要在任何预测器名称中显示现有的下划线，请更改TickLabelInterpreter坐标轴的值“没有”．

讲解员。BlackboxFitted

ans = 21.0495

f =数字;绘图（解释器）f.currentaxes.ticklabelinterpreter =“没有”；

水平条图显示了所有变量的福音值，按其绝对值排序。由于相应的变量，每个福族值解释了从平均值到平均值的查询点的偏差。

训练分类模型并创建沙普利对象。然后计算多个查询点的Shapley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 (“CreditRating_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TBL.作为预测变量。

黑箱= fitcecoc(资源描述,“评级”，..．“PredictorNames”，tbl.properties.variablenames（2：7），..．“CategoricalPredictors”，“行业”）;

创建一个沙普利对象与之黑箱模型。为了更快的计算，将25%的观测数据从TBL.并使用样本来计算Shapley值。指定使用kernelSHAP算法的扩展。

RNG（'默认'）重复性的％c = cvpartition(资源描述。评级,“坚持”，0.25）;tbl_s = tbl（测试（c），:);解释者=福利（Blackbox，Tbl_s，“方法”，“conditional-kernel”）;

查找其真实评级值为的两个查询点AAA和B,分别。

queryPoint (1) =: tbl_(找到(strcmp (: tbl_。评级,“AAA”），1），:);querypoint（2，:) = tbl_s（find（strcmp（tbl_s.rating，“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。要在任何预测器名称中显示现有的下划线，请更改TickLabelInterpreter坐标轴的值“没有”．

explainer1 =适合(讲解员,queryPoint (1:));f1 =图;情节(explainer1) f1.CurrentAxes。TickLabelInterpreter =“没有”；

计算并绘制第二个查询点的福音值。

explainer2 =适合(讲解员,queryPoint (2:));f2 =图;情节(explainer2) f2.CurrentAxes。TickLabelInterpreter =“没有”；

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包括分别为第一个查询点和第二查询点的福音值。