4. 全局SHAP与局部SHAP：全局特征重要性（mean|SHAP|）与局部解释的区别、summary_plot解读

在SHAP解释体系中，全局解释与局部解释服务于不同的分析目标。全局SHAP回答“哪些特征总体上对模型影响最大”，而局部SHAP回答“为什么某个样本被预测为这个值”。理解两者的区别，是构建漂移告警策略的基础——全局漂移监控特征重要性的变化，局部漂移则聚焦于高风险样本的归因偏移。

4.1 核心概念对比

4.2 全局特征重要性：mean|SHAP| 的数学含义

全局特征重要性通常使用 mean(|SHAP|) 度量，即所有样本上每个特征SHAP值绝对值的平均值：

mean|SHAP|_j = (1/N) * Σ_i |φ_j(i)|

其中 φ_j(i) 是第 i 个样本上特征 j 的SHAP值。该指标具有以下性质：

• 非负性：绝对值保证了重要性始终为正，便于排序比较。
• 可加性：所有特征的mean|SHAP|之和等于模型预测值相对于基线平均绝对偏差。
• 鲁棒性：相比基于置换的特征重要性，mean|SHAP|对特征间的交互效应更稳定。

4.3 summary_plot 解读：蜂群图与条形图

summary_plot 是SHAP最经典的可视化工具，同时呈现全局特征重要性和特征效应方向。它有两种主要形态：

4.3.1 蜂群图（Beeswarm Plot）

蜂群图在纵轴按特征重要性排序，横轴为SHAP值，每个点代表一个样本的特征贡献。颜色表示特征值的高低（红高蓝低）。

蜂群图解读要点：

• 纵轴排序：特征按mean|SHAP|降序排列，顶部特征最重要。
• 横轴分布：点越分散，说明该特征在不同样本上的影响差异越大。
• 颜色模式：若红色点（高特征值）集中在右侧（正SHAP），说明该特征值越高，预测值越大；反之亦然。
• 漂移信号：对比训练集与生产集的蜂群图，若某个特征的颜色分布模式发生翻转（如原本红色在右变为红色在左），说明特征效应方向发生了漂移。

4.3.2 条形图（Bar Plot）

条形图是蜂群图的简化版本，仅展示mean|SHAP|的数值大小，不展示分布细节。

4.4 全局SHAP与局部SHAP的漂移告警协作模式

在MLOps实践中，全局SHAP与局部SHAP形成以下协作链路：

1. 周期性全局检测：每批次数据计算全局mean|SHAP|，与基线对比。若特征重要性排序发生显著变化（如Top-3特征更替），触发一级告警。
2. 局部根因分析：告警触发后，对漂移批次中的异常样本（如预测置信度下降的样本）计算局部SHAP，生成waterfall图或force图。
3. 归因模式匹配：将局部SHAP模式与已知的漂移模式库（如“特征X的贡献从正变负”）进行匹配，输出根因建议。
4. 反馈闭环：确认的漂移模式更新到全局监控规则中，形成持续改进的告警策略。

4.5 代码示例：计算全局与局部SHAP

import shap
import xgboost as xgb
from sklearn.model_selection import train_test_split

# 训练模型
X, y = shap.datasets.boston()
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
model = xgb.XGBRegressor(n_estimators=100, random_state=42)
model.fit(X_train, y_train)

# 创建SHAP解释器
explainer = shap.Explainer(model, X_train)

# 计算全局SHAP（所有测试样本）
shap_values = explainer(X_test)

# 全局特征重要性：mean|SHAP|
global_importance = shap_values.abs.mean(0)
print("全局特征重要性 (mean|SHAP|):")
for name, val in zip(X.columns, global_importance.values):
    print(f"  {name}: {val:.4f}")

# 局部SHAP：第一个样本的解释
local_shap = shap_values[0]
print("\n局部SHAP (第一个样本):")
for name, val in zip(X.columns, local_shap.values):
    direction = "正向" if val > 0 else "负向"
    print(f"  {name}: {val:.4f} ({direction}贡献)")

# 可视化
# shap.summary_plot(shap_values, X_test)  # 蜂群图
# shap.bar_plot(shap_values.abs.mean(0))   # 条形图
# shap.waterfall_plot(shap_values[0])      # 局部瀑布图

4.6 本章小结