分類モデルの学習を行い,沙普利オブジェクトを作成します。次に,オブジェクト関数情节を使用して,シャープレイ値をプロットします。

CreditRating_Historicalデータセットを読み込みます。データセットには,顧客ID,顧客の財務比率,業種ラベル,および信用格付けが格納されています。

台= readtable (“CreditRating_Historical.dat”);

テーブルの最初の3行を表示します。

头(资源描述,3)

ans =3×8表ID WC_TA RE_TA EBIT_TA MVE_BVTD S_TA行业评级  _____ _____ _____ _______ ________ _____ ________ ______ 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}

関数fitcecocを使用して,信用格付けの黑箱モデルに学習させます。资源描述内の2 ~ 7列目の変数を予測子変数として使用します。クラス名を指定してクラスの順序を設定することが推奨されます。

黑箱= fitcecoc(资源描述,“评级”,.．.“PredictorNames”tbl.Properties.VariableNames (7),.．.“CategoricalPredictors”,“行业”,.．.“类名”，{“AAA”“AA”“一个”“BBB”“BB”“B”“CCC”})；

最後の観測値の予測を説明する沙普利オブジェクトを作成します。計算速度を向上するには,资源描述の観測値の25%を階層的にサブサンプリングし,その標本を使用してシャープレイ値を計算します。

queryPoint =(资源(最终,:)

queryPoint =表1×8ID WC_TA RE_TA EBIT_TA MVE_BVTD S_TA行业评级  _____ _____ _____ _______ ________ ____ ________ ______ 73104 0.239 0.463 0.065 2.924 0.34 - 2{“AA”}

rng (“默认”）%的再现性c = cvpartition(资源描述。评级,“坚持”, 0.25);: tbl_ =台(测试(c):);: tbl_讲解员=沙普利(黑盒,“QueryPoint”, queryPoint);

分類モデルの場合,沙普利は各クラスの予測クラススコアを使用してシャープレイ値を計算します。ShapleyValuesプロパティの値を表示します。

讲解员。ShapleyValues

ans =6×8表预测AAA AA BBB BB B CCC  __________ __________ __________ ___________ __________ ___________ ___________ ___________ " WC_TA“0.014584 0.0064698 0.0027468 0.00045585 -0.007959 -0.011812 -0.011279”RE_TA“0.047797 0.027083 0.015166 -0.0031936 -0.025054 -0.059563 -0.08344”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 -0.007901 -0.15755 -0.2152 -0.17022 "S_TA" -0.0035663 -0.0025991 -0.00021177 -0.0010166 -2.1005e-05 0.00041421 -0.00058884 "Industry" -0.028313 -0.013392 0.00089644 0.022877 0.025636 0.028482 0.044832

ShapleyValuesプロパティには,クラスごとにすべての特徴量のシャープレイ値が格納されています。

関数情节を使用して予測クラスのシャープレイ値をプロットします。予測子名に含まれるアンダースコアを表示するには,座標軸のTickLabelInterpreter値を“没有”に変更します。

f =图;情节(讲解员);f.CurrentAxes.TickLabelInterpreter =“没有”；

横棒グラフは,絶対値で並べ替えられた,すべての変数のシャープレイ値を示します。各シャープレイ値は,クエリ点についてのスコアに関して対応する変数が原因で生じた予測クラスの平均スコアからの偏差を説明します。

讲解员。BlackboxModelですべてのクラス名を指定して,すべてのクラスのシャープレイ値をプロットします。

f =图;情节(讲解员,“类名”explainer.BlackboxModel.ClassNames) f.CurrentAxes.TickLabelInterpreter =“没有”；

回帰モデルの学習を行い,沙普利オブジェクトを作成します。オブジェクト関数适合を使用して,指定したクエリ点のシャープレイ値を計算します。次に,オブジェクト関数情节を使用して,予測子のシャープレイ値をプロットします。関数情节を呼び出すときにプロットする重要な予測子の数を指定します。

carbigデータセットを読み込みます。このデータセットには,1970年代と1980年代初期に製造された自動車の測定値が格納されています。

负载carbig

加速度、气缸などの予測子変数と応答変数英里/加仑が格納された表を作成します。

台=表(加速度、汽缸、排量、马力、Model_Year重量,MPG);

学習セットの欠損値を削除すると,メモリ消費量を減らして関数fitrkernelの学習速度を向上させることができます。资源描述の欠損値を削除します。

台= rmmissing(台);

関数fitrkernelを使用して英里/加仑の黑箱モデルの学習を行います。

rng (“默认”）%的再现性mdl = fitrkernel(资源描述,“英里”,“CategoricalPredictors”[2 - 5]);

沙普利オブジェクトを作成します。mdlには学習データが含まれないため,データセット资源描述を指定します。

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'

讲解员は,学習データ资源描述をXプロパティに格納します。

资源描述の最初の観測値についてすべての予測子変数のシャープレイ値を計算します。

: 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);

回帰モデルの場合,沙普利は予測応答を使用してシャープレイ値を計算し,ShapleyValuesプロパティに格納します。ShapleyValuesプロパティの値を表示します。

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

クエリ点についての予測応答を表示し,関数情节を使用してクエリ点のシャープレイ値をプロットします。予測子名に含まれるアンダースコアを表示するには,座標軸のTickLabelInterpreter値を“没有”に変更します。“NumImportantPredictors”,5を指定して,予測応答について最も重要な5つの予測子のみをプロットします。

讲解员。BlackboxFitted

ans = 21.0495

f =图;情节(讲解员,“NumImportantPredictors”5) f.CurrentAxes.TickLabelInterpreter =“没有”；

横棒グラフは,絶対値で並べ替えられた,5つの最も重要な予測子のシャープレイ値を示します。各シャープレイ値は,クエリ点についての予測に関して対応する変数が原因で生じた平均からの偏差を説明します。