前言
本文基于前期引见的，引见一种基于 LSTM 预测模型的 SHAP 可视化剖析教程。
数据集是经常使用.csv方式启动存储的，包含了除期间列外 “HUFL”, “HULL”, “MUFL”, “MULL”, “LUFL”, “LULL” 和 “OT”7个特色。
1 多特色变量数据集制造与预解决
1.1 导入数据集
取油温数据 OT 为指标预测值！
1.2数据集制造
依照 8：2 划分训练集，测试集，滑动窗口设置为12
2 基于Pytorch的 LSTM预测模型
2.1 定义 LSTM 预测模型
3 模型评价与可视化
3.1 结果可视化
3.2 模型评价
4 SHAP 可视化剖析
SHAP 特色关键性-Summary Plot
将 SHAP 值矩阵传递给条形图函数会创立一个全局特色关键性图，其中每个特色的全局关键性被视为该特色在一切给定样本中的平均相对值。
下面经常使用Summary Plot方法并设置参数plot_type="bar"绘制典型的特色关键性条形图，而他自动绘制Summary_plot图，他是联合了特色关键性和特色成果，取代了条形图。
Summary_plot 为每一个样本绘制其每个特色的Shapley value，它说明哪些特色最关键，以及它们对数据集的影响范畴。
y 轴上的位置由特色确定，x 轴上的位置由每 Shapley value 确定。色彩示意特色值（白色高，蓝色低），色彩使咱们能够婚配特色值的变动如何影响危险的变动。堆叠点在 y 轴方向颤抖，因此咱们可以了解每个特色的 Shapley value散布，并且这些特色是依据它们的关键性排序的。
本文转载自，作者：
© 版权声明