网站建设公司的会计分录哈尔滨信息网免费招聘

网站建设公司的会计分录,哈尔滨信息网免费招聘,网页设计模板素材美食,建筑工程资料网站CatBoost-shap集成模型中的一种#xff0c;本项目用在了回归问题上#xff0c;并对模型和变量采用shap进行解释分析 Python代码#xff0c;自带数据集#xff0c;可以直接运行#xff0c;代码实价#xff0c;联系 所有图所见即所得#xff0c;只会更多from catboost imp…CatBoost-shap集成模型中的一种本项目用在了回归问题上并对模型和变量采用shap进行解释分析 Python代码自带数据集可以直接运行代码实价联系 所有图所见即所得只会更多from catboost import CatBoostRegressor, Pool import shap import pandas as pd import matplotlib.pyplot as plt # 加载数据 data pd.read_csv(https://raw.githubusercontent.com/selva86/datasets/master/BostonHousing.csv) X data.iloc[:,:-1] y data.iloc[:,-1] # 训练CatBoost model CatBoostRegressor(iterations300, depth5, learning_rate0.1, verbose0) cat_features list(X.select_dtypes(includeobject).columns) model.fit(X, y, cat_featurescat_features) # SHAP魔法开始 explainer shap.TreeExplainer(model) shap_values explainer.shap_values(Pool(X, cat_featurescat_features)) # 特征重要性全景图 plt.figure(figsize(10,6)) shap.summary_plot(shap_values, X, plot_typebar) plt.title(特征影响力排行榜) plt.tight_layout() # 单样本决策推演 sample_idx 42 shap.force_plot(explainer.expected_value, shap_values[sample_idx], X.iloc[sample_idx], matplotlibTrue, text_rotation15)跑完这段代码你会看到两张图——第一张是特征重要性排序像游戏战力榜一样展示各个特征对房价的影响力第二张是单样本预测的决策推演像拆解俄罗斯套娃一样展示每个特征如何影响最终预测值。这里有个骚操作cat_features参数自动处理类别型变量连one-hot都不用做。比如数据里如果有房屋类型别墅/公寓这种字符串特征CatBoost自己就能消化比XGBoost省事得多。SHAP值分析时注意这个细节Pool(X, cat_featurescat_features) # 必须用Pool对象传递类别特征信息如果直接传DataFrame模型会忘记哪些是类别特征导致SHAP解释出现偏差。这个坑我帮你们踩过了记得用Pool封装数据。看特征重要性图时重点关注颜色深浅——红色表示特征值大蓝色表示特征值小。比如rm房间数特征当柱子偏红时说明房间多的房子预测价更高符合常识。当看到单样本force_plot时找那个把预测值往右推的最强特征。比如某个样本的ptratio师生比特别低教育资源好SHAP值就会用红色长箭头把预测价顶上去比看枯燥的特征权重直观多了。