4. SHAP可视化：force plot、summary plot、dependence plot的绘制与解读

SHAP值本身是数值，但真正的洞察力来自可视化。本章聚焦三种最核心的SHAP图：Force Plot（力场图）、Summary Plot（摘要图）和Dependence Plot（依赖图）。它们分别回答：“这个样本为什么被这样预测？”、“全局哪些特征最重要？”、“特征值变化如何影响预测？”。

4.1 Force Plot：单样本解释的“力场”

Force Plot将模型预测分解为“基础值”（base value）与各特征的“推/拉力”。每个特征贡献一个箭头，红色箭头将预测值推高，蓝色箭头将预测值拉低。最终预测值是所有力叠加的结果。

绘制代码示例

import shap
import xgboost as xgb
from sklearn.datasets import load_boston

# 加载数据并训练模型
X, y = load_boston(return_X_y=True)
model = xgb.XGBRegressor().fit(X, y)

# 创建SHAP解释器
explainer = shap.Explainer(model, X)
shap_values = explainer(X[:100])  # 解释前100个样本

# 绘制单个样本的Force Plot
shap.plots.force(shap_values[0])

# 绘制多个样本的Force Plot（叠加）
shap.plots.force(shap_values[0:10])

4.2 Summary Plot：全局特征重要性全景

Summary Plot（又称蜜蜂图）是SHAP最常用的全局可视化。它同时展示：特征重要性排序（纵轴）、SHAP值分布（横轴）、特征值高低（颜色）。每个点代表一个样本，点的水平位置表示该特征对该样本的SHAP贡献值。

Summary Plot的三种解读视角

绘制代码示例

# 绘制Summary Plot（蜜蜂图）
shap.summary_plot(shap_values.values, X[:100], feature_names=load_boston().feature_names)

# 使用新的API（推荐）
shap.plots.beeswarm(shap_values)

4.3 Dependence Plot：特征交互的“显微镜”

Dependence Plot展示单个特征的SHAP值随该特征值变化的趋势，同时通过颜色编码显示第二个交互特征的值。它比部分依赖图（PDP）更强大，因为SHAP值考虑了所有特征的交互效应。

Dependence Plot的三种典型模式

绘制代码示例

# 绘制Dependence Plot（指定交互特征）
shap.dependence_plot("RM", shap_values.values, X[:100],
                     feature_names=load_boston().feature_names,
                     interaction_index="LSTAT")

# 使用新API
shap.plots.scatter(shap_values[:, "RM"], color=shap_values[:, "LSTAT"])

4.4 三种可视化对比与选择

4.5 可视化性能优化

生产环境中，SHAP可视化可能面临性能瓶颈。以下优化策略可参考：

# 样本抽样优化示例
import numpy as np

def sample_for_shap_plot(shap_values, X, max_samples=1000):
    """对SHAP值和特征矩阵进行抽样，保持分布"""
    n = len(X)
    if n <= max_samples:
        return shap_values, X
    # 分层抽样：按预测值分桶
    preds = shap_values.base_values + shap_values.values.sum(axis=1)
    bins = np.linspace(preds.min(), preds.max(), 10)
    indices = []
    for i in range(len(bins)-1):
        mask = (preds >= bins[i]) & (preds < bins[i+1])
        idx = np.where(mask)[0]
        if len(idx) > 0:
            n_sample = max(1, int(max_samples * len(idx) / n))
            indices.extend(np.random.choice(idx, n_sample, replace=False))
    indices = np.array(indices[:max_samples])
    return shap_values[indices], X[indices]