SHAP(SHapley Additive exPlanations)看成一种诠释注解机器学习模子输出的才能，基于Shapley值表面，通过将模子臆测成果领悟为每个特征的孝顺高中 自拍偷拍，为模子提供全局和局部的可诠释注解性。

图片

SHAP看成机器学习模子的诠释注解用具，依然是一项要害冲破。

在处罚医知识题时，咱们时时通过构建模子，来寻找病因。此处，会有歧义，谈谈个东谈见地解，此种诠释注解并非因果联系，与Logistic转头的OR值有区别，此种诠释注解不是因果诠释注解，咱们不可因为臆测变量shap值孝顺大，而以为这个变量是结局变量的危急成分。这种联系，只可诠释由于变量的孝顺，能在多猛进度上加多臆测模子的准确率。

现时阶段，SHAP收尾才能，大大宗是基于Python，跟着算法的流行，R说话也有了有关的SHAP诠释注解。然而R的SHAP诠释注解，现在专揽的包是shapviz，这个包仅能对Xgboost、LightGBM以及H2O模子进行诠释注解，其余的机器学习模子并不适用。

图片

这里通过例如，来展示shap模子的R收尾：

动漫av

通过Xgboost模子来臆测结直肠癌肝滚动。临了一列是Liver，0代表未滚动，1代表肝滚动

图片

加载有关的包高中 自拍偷拍，读入数据

#install.packages('shapviz')library(shapviz)#install.packages('xgboost')library(xgboost)library(caret)library(pROC)library(tibble)library(ROCit)data =read.csv('data.csv'，header = T，check.names = F)

2.通过caret包辞别进修集和测试集数据

# 辞别进修集和测试集set.seed(123)#树立随即数inTrain<-createDataPartition(y=data[，'Liver']， p=0.7， list=F)#辞别进修集，树立进修集的比例为0.7traindata<-data[inTrain，]#索求进修集数据testdata<-data[-inTrain，]#索求考据集数据

3.构建Xgboost模子

model_xgboost = xgboost( data = as.matrix(traindata[，c(1:(ncol(traindata)-1))])，#进修集的自变量矩阵 label = traindata$Liver， max_depth = 3， eta = 1， nthread = 2， nrounds = 10， objective = 'binary:logistic')

4.模子的臆测成果

#生成臆测值traindata$pred <- predict(model_xgboost， as.matrix(traindata[，c(1:(ncol(traindata)-1))]))#计较AUCROC_train <- round(auc(response=traindata$Liver，predictor=traindata$pred)，4)ROC_train#计较置信区间CI_train=ci(response=traindata$Liver，predictor=traindata$pred)CI_train#通过阿谁paste0贯穿AUC_CI_train=paste0('AUC='，round(CI_train[2]，3)，'，95%CI ('，round(CI_train[1]，3)，' - '，round(CI_train[3]，3)，')')AUC_CI_train

5.绘制ROC弧线

这里好意思化图片的原因是，中华系列杂志需要这么去画图。

#整理数据，好意思化图片ROC_data <- rocit(score=traindata$pred，class=traindata$Liver)m1=tibble( name='Model'， TPR=ROC_data$TPR， FPR=ROC_data$FPR， AUC=AUC_CI_test)pdf('ROC_train.pdf'，5，5，family = 'serif')ggplot(m1，aes(x = FPR， y = TPR)) geom_path() labs(title= ' '， x = 'False Positive Rate (1-Specificity)'， y = 'True Positive Rate (Sensitivity)') geom_abline(lty = 3) theme_classic() annotate('text'， x = 0.6 ， y = 0.2，label = AUC_CI_test，colour='black') scale_y_continuous(expand=c(0，0)) scale_x_continuous(expand=c(0，0)) theme( axis.ticks.length=unit(-0.1， 'cm')， legend.position = c(0.7， 0.2)， legend.title = element_blank()， strip.background = element_blank()， text = element_text(size = 15，color='black')#face='bold'  )

图片

6.计较shap值并画图

#计较shap值shap_xgboost = shapviz(model_xgboost， X_pred = as.matrix(traindata[，c(1:(ncol(traindata)-2))]))#绘制单个样本瀑布图sv_waterfall(shap_xgboost，row_id = 10)#row_id指定样本

图片

#单个样本力争sv_force(shap_xgboost，row_id = 2)

图片

#绘制变量热切性蜂群图sv_importance(shap_xgboost，kind = 'beeswarm')

图片

这里图片的配景是灰色的，这里的函数均是基于ggplot2绘制的，因此咱们不错通过添加theme主题函数，来修改图片的配景

#去掉图片灰色配景sv_importance(shap_xgboost，kind = 'beeswarm') theme_bw()

图片

#变量热切性柱状图sv_importance(shap_xgboost) theme_bw()

图片

#单个变量依赖图sv_dependence(shap_xgboost， 'T'， alpha = 0.5， size = 1.5， color_var = NULL) theme_bw()

图片

#多个变量偏有关依赖图sv_dependence(shap_xgboost，               v = c('Sex'，                    'Grade'，                    'Histologic'，                    'Surg')) theme_bw()

图片

以上即是基于R说话收尾了Xgboost模子的诠释注解。

有需要R说话陶冶高中 自拍偷拍，机器学习模子构建，生物信息学分析的伙伴，不错后台私信！

本站仅提供存储做事，总共执行均由用户发布，如发现存害或侵权执行，请点击举报。