福芙
沙普利值
描述
这沙普利查询点的特征值解释了由于该特征，查询点的预测与平均预测之间的偏差。对于每个查询点，所有特征的Shapley值的和对应于预测与平均值的总偏差。
您可以创建福芙对象，用于具有指定查询点的机器学习模型(QueryPoint.）.该软件创建一个对象，并计算查询点的所有特征的Shapley值。
使用Shapley值解释各个功能在指定查询点的预测中的贡献。使用阴谋功能创建福利值的条形图。您可以通过使用使用该查询点来计算Shapley值合身函数。
创建
描述
解释者=福芙尼（___“QueryPoint”,QueryPoint.）QueryPoint.并将计算得到的Shapley值存储在ShapleyValues财产解释者．您可以指定QueryPoint.除了前面语法中的任何输入参数组合之外。
输入参数
属性
例子
创建时计算shapley值福芙目的
培训分类模型并创建一个福芙对象。当你创建一个福芙对象，指定查询点，使得软件计算沙普利值查询点。然后使用对象函数创建Shapley值的柱状图阴谋．
加载CreditRating_Historical数据集。数据集包含客户ID及其财务比率，行业标签和信用评级。
tbl =可读取的（“CreditRating_Historical.dat”）;
显示表的前三行。
头（TBL，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}
通过使用培训Blackbox模型的信用评级模型fitcecoc函数。在第二列中使用第二列中的变量TBL.作为预测变量。推荐的做法是指定类名来设置类的顺序。
Blackbox = FitCecoc（TBL，'评分'那．..'predictornames'，tbl.Properties.VariableNames（2：7），．..'pationoricalpricictors'那'行业'那．..“类名”, {“AAA”“AA”“一个”'BBB'“BB”“B”“CCC”}）;
创建一个福芙对象，它解释了最后一次观测的预测。指定一个查询点，以便软件计算Shapley值并将它们存储在ShapleyValues财产。
queryPoint =(资源(最终,:)
querypoint =表1×8ID WC_TA RE_TA EBIT_TA MVE_BVTD S_TA工业评分_____ _____ _____ _______ ________ ____ ________ ______ 73104 0.239 0.463 0.065 2.924 0.34 2 { 'AA'}
讲解员=沙普利(黑盒,“QueryPoint”queryPoint)
警告:计算可能很慢，因为预测器数据有超过1000个观测。使用较小的训练集样本，或指定“UseParallel”为真值，以实现更快的计算。
解释器=福利属性：BlackBoxModel：[1x1 classificationCoc] QueryPoint：[1x8表] Blackboxfited：{'AA'} ShapleyValues：[6x8表] NumsubSets：64 x：[3932x6表] CateOricalPredictors：6方法：'Snormentional-Kernel'
由于警告消息指示，所以计算可能很慢，因为预测器数据具有超过1000个观察。为了更快计算，使用较小的培训集样本或指定'使用指平行'作为真正的．
对于分类模型，福芙使用每个类的预测类得分计算Shapley值。中的值显示ShapleyValues财产。
讲解员。沙普利价值s
ANS =6×8表预测AAA AA BBB BB B CCC __________ __________ __________ ___________ ___________ ___________ ___________ ___________ " WC_TA“0.014715 0.006439 0.002669 0.00048882 -0.0079015 -0.011841 -0.011395”RE_TA“0.047918 0.026904 0.014759 -0.0031481 -0.02512 -0.059927 -0.08418”EBIT_TA“0.0003427 0.00015023 0.00011977 3.3904 -0.00018925 e-05-0.00038136 -0.00033783 "MVE_BVTD" 0.38334 0.37376 0.17563 -0.032136 -0.18729 -0.24831 -0.19585 "S_TA" -0.0037303 -0.0026019 -8.9059e-05 -0.00081782 -5.4905e-05 -0.00069003 "Industry" -0.028974 -0.013901 0.0010365 0.023298 0.026474 0.029887 0.045396
这ShapleyValues属性包含每个类的所有特性的Shapley值。
通过使用积为预测类沙普利值阴谋函数。要在任何预测器名称中显示现有的下划线，请更改ticklabelinterpreter.轴的值'没有任何'．
F =图。情节（解释器）f.CurrentAxes.TickLabelInterpreter ='没有任何';
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，每个福芙值解释了从预测类的平均分数的查询点的分数偏差。
创建福芙对象和计算Shapley值使用合身
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，则该软件不会计算沙普利值。使用对象功能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，其中包含在上世纪70年代和80年代初制造的汽车的测量。
加载carbig
创建一个包含预测变量表加速那气缸，等，以及作为响应变量英里/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。删除在遗漏值TBL.．
台= rmmissing(台);
训练黑盒模型英里/加仑通过使用fitrkernel函数
rng (“默认”）重复性的％mdl = fitrkernel(资源描述,'mpg'那'pationoricalpricictors'，[2 5]）;
创建一个福芙对象。指定数据集TBL.， 因为mdl不包含培训数据。
解释器=福利（MDL，TBL）
explainer = shapley with properties: BlackboxModel: [1x1 RegressionKernel] QueryPoint: [] BlackboxFitted: [] ShapleyValues: [] NumSubsets: 64 X: [392x7 table] CategoricalPredictors: [2 5] Method: ' interinteral -kernel'
解释者存储训练数据TBL.在里面X财产。
计算所有预测变量的值，沙普利在第一观察TBL.．
: 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
解释器= fit（解释器，querypoint）;
对于回归模型，福芙计算在使用预测的响应并将它们存储沙普利值，并且ShapleyValues财产。中的值显示ShapleyValues财产。
讲解员。沙普利价值s
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值阴谋函数。要在任何预测器名称中显示现有的下划线，请更改ticklabelinterpreter.轴的值'没有任何'．
解释者.Blackboxfited.
ans = 21.0495
F =图。情节（解释器）f.CurrentAxes.TickLabelInterpreter ='没有任何';
水平条图显示了所有变量的福音值，按其绝对值排序。每个Shapley值解释了预测用于从所述平均查询点的偏差，由于相应的变量。
指定型号的Blackbox使用功能处理
火车回归模型并创建一个福芙对象使用函数句柄预测模型的功能。使用对象功能合身来计算指定查询点的Shapley值。然后通过使用对象函数绘制沙普利值阴谋．
加载carbig数据集，其中包含在上世纪70年代和80年代初制造的汽车的测量。
加载carbig
创建一个包含预测变量表加速那气缸，等等。
TBL =桌子（加速，气瓶，位移，马力，型号，重量）;
训练黑盒模型英里/加仑通过使用treebagger函数。
rng (“默认”）重复性的％Mdl = TreeBagger(100台,英里/加仑,“方法”那“回归”那'pationoricalpricictors'，[2 5]）;
福芙不支持万博1manbetxtreebagger直接对象，所以不能指定的第一个输入参数（黑箱模型）福芙作为 atreebagger对象。的函数句柄预测函数。的选项预测使用函数的名称值参数函数。
创建函数句柄预测功能的功能treebagger目的Mdl．指定要使用的树索引数组1：50．
f = @（tbl）预测（mdl，tbl，“树”，1：50）;
创建一个福芙对象使用函数句柄F．当您指定黑箱模型作为函数句柄时，您必须提供预测器数据。TBL.包括分类预测因子(圆筒和Model_Year）与之双倍的数据类型。默认情况下，福芙不使用双倍的作为分类预测器的数据类型。指定第二个(圆筒)及第五(Model_Year)变量作为分类预测因子。
解释者=福芙（F，TBL，'pationoricalpricictors'，[2 5]）;解释器=拟合（解释器，TBL（1，:)）;
绘制福利值。
图（解释器）
按重要性顺序显示预测器名称。
tbl.properties.variablenames（[3 2 6 4 5 1]）
ans =.1x6细胞列1到4 {'sentacement'} {'cylinders'} {'weight'} {'horsepower'}列5到6 {'model_year'} {'acceleration'}
更多关于
参考文献
扩展功能
您还可以从以下列表中选择一个网站：
