我正在使用 Python 中的 Shap 库来解释我使用 Catboost 的模型。在尝试使用多个绘图时，我使用以下命令：
shap.summary_plot(shap_values, X_train)
shap.force_plot(explainer.expected_value, shap_values, X_train)
shap.dependence_plot("some feature", shap_values, X_train)
每个的输出都给了我 x 轴上的形状值，但是我无法解释它并认为它更容易使用概率。我怎么能做到这一点？
我读到 Catboost 不能使用：explainer = shap.TreeExplainer(model,data = X,model_output='probability')
因此，我不知道该怎么办。
【问题讨论】：
您可以考虑使用 force_plot 上的日志链接，这显示在 the shap vignette 中，例如：
import shap
import numpy as np
from sklearn.model_selection import train_test_split
shap.initjs()
X,y = shap.datasets.iris()
y = np.where(y==1,1,0)
X_train,X_test,Y_train,Y_test = train_test_split(X,y, test_size=0.2, random_state=0)
from catboost import CatBoostClassifier, Pool
model = CatBoostClassifier(verbose=False)
model.fit(X_train,Y_train)
explainer = shap.KernelExplainer(model.predict_proba, X_train, link="logit")
shap_values = explainer.shap_values(X_test, nsamples=10)
shap.force_plot(explainer.expected_value[2], shap_values[2], X_test, link="logit")
由此您可以跨所有样本，了解每个特征对最终概率的影响
【讨论】：