火车回归模型并创建一个福芙对象。当你创建一个福芙对象，如果不指定查询点，则软件不会计算Shapley值。使用对象函数合身来计算指定查询点的Shapley值。然后使用对象函数创建Shapley值的柱状图阴谋．

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。

加载carbig

创建一个包含预测变量的表加速那气缸，等等，以及响应变量英里/加仑．

台=表(加速度、汽缸、排量、马力、Model_Year重量,MPG);

删除训练集中缺失的值可以帮助减少内存消耗并加速训练fitrkernel函数。删除资源描述．

台= rmmissing(台);

训练一个黑盒模型英里/加仑通过使用fitrkernel函数

rng (“默认”的）%的再现性mdl = fitrkernel(资源描述,'mpg'那'patericalpricictors'，[2 5]）;

创建一个福芙对象。指定数据集资源描述， 因为mdl不包含培训数据。

解释者=福利（MDL，TBL）

解释器=福利属性：BlackBoxModel：[1x1 RegentionKernel] QueryPoint：[] BlackpoxFited：[]福音维价：[] NumsubSets：64 x：[392x7表] CateoricalPredictors：[2 5]方法：'介入 - 内核'截取：22.6202

解释者存储训练数据资源描述在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 =(资源(1)

querypoint =.1×7表加速气缸位移马力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，福芙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

通过使用使用的查询点的福利值绘制阴谋函数。

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。

培训分类模型并创建一个福芙对象。然后计算多个查询点的Shapley值。

加载CreditRating_Historical数据集。数据集包含客户ID及其金融比率，行业标签和信用评级。

TBL = READTABLE（“CreditRating_Historical.dat”）;

通过使用培训Blackbox模型的信用评级模型fitcecoc函数。使用第二列中的变量资源描述作为预测变量。

Blackbox = FitCecoc（TBL，'评分'那．..'predictornames'tbl.Properties.VariableNames (7),．..'patericalpricictors'那'行业'）;

创建一个福芙对象的黑盒子模型。为了更快的计算，将25％的观察结果分开资源描述分层并使用样品来计算福利值。指定使用扩展到Kernelshap算法。

rng (“默认”的）%的再现性c = cvpartition（tbl.rating，“坚持”, 0.25);: tbl_ =台(测试(c):);: tbl_讲解员=沙普利(黑盒,“方法”那“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_s（find（strcmp（tbl_s.rating，“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工业评分_____ ______ ______ _______ ________ _____ ________ _______ 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福音值。

explainer1 =适合(讲解员,queryPoint (1:));情节(explainer1)

计算并绘制第二个查询点的Shapley值。

explainer2 =适合(讲解员,queryPoint (2:));情节(explainer2)

第二个查询点的真实评级是B.，但预测的评级是BB.．该曲线显示了预测评级的福音值。

解释器1和解释器2分别包含第一个查询点和第二个查询点的Shapley值。