shap.Explanation

class shap.Explanation(values: npt.NDArray[Any] | list[Any] | Explanation, base_values: npt.NDArray[Any] | list[Any] | float | None = None, data: npt.NDArray[Any] | pd.DataFrame | list[Any] | None = None, display_data: npt.NDArray[Any] | pd.DataFrame | None = None, instance_names: Sequence[str] | npt.NDArray[Any] | None = None, feature_names: Sequence[str] | npt.NDArray[Any] | Alias | None = None, output_names: Sequence[str] | npt.NDArray[Any] | str | Alias | None = None, output_indexes: npt.NDArray[Any] | None = None, lower_bounds: npt.NDArray[Any] | None = None, upper_bounds: npt.NDArray[Any] | None = None, error_std: npt.NDArray[Any] | None = None, main_effects: npt.NDArray[Any] | None = None, hierarchical_values: npt.NDArray[Any] | list[Any] | None = None, clustering: npt.NDArray[Any] | list[Any] | None = None, compute_time: float | None = None)

一组可切片的并行数组，表示 SHAP 解释。

备注

诸如 .max() 等实例方法返回应用了该操作的新 Explanation 对象。

诸如 Explanation.max 等类方法返回 OpChain 对象，这些对象表示一组点链式操作，而无需实际运行它们。

__init__(values: npt.NDArray[Any] | list[Any] | Explanation, base_values: npt.NDArray[Any] | list[Any] | float | None = None, data: npt.NDArray[Any] | pd.DataFrame | list[Any] | None = None, display_data: npt.NDArray[Any] | pd.DataFrame | None = None, instance_names: Sequence[str] | npt.NDArray[Any] | None = None, feature_names: Sequence[str] | npt.NDArray[Any] | Alias | None = None, output_names: Sequence[str] | npt.NDArray[Any] | str | Alias | None = None, output_indexes: npt.NDArray[Any] | None = None, lower_bounds: npt.NDArray[Any] | None = None, upper_bounds: npt.NDArray[Any] | None = None, error_std: npt.NDArray[Any] | None = None, main_effects: npt.NDArray[Any] | None = None, hierarchical_values: npt.NDArray[Any] | list[Any] | None = None, clustering: npt.NDArray[Any] | list[Any] | None = None, compute_time: float | None = None) → None

方法

`__init__`(values[, base_values, data, ...])
`cohorts`(cohorts)	将此解释分成几个队列。
`hstack`(other)	按列堆叠两个解释。
`percentile`(q[, axis])

属性

`abs`
`argsort`
`base_values`	通过底层切片器对象。
`clustering`	通过底层切片器对象。
`数据`	通过底层切片器对象。
`display_data`	通过底层切片器对象。
`error_std`	通过底层切片器对象。
`feature_names`	通过底层切片器对象。
`flip`
`hclust`
`hierarchical_values`	通过底层切片器对象。
`identity`
`instance_names`	通过底层切片器对象。
`lower_bounds`	通过底层切片器对象。
`main_effects`	通过底层切片器对象。
`max`
`mean`
`min`
`output_indexes`	通过底层切片器对象。
`output_names`	通过底层切片器对象。
`sample`
`shape`	计算可能复杂的数据嵌套的形状。
`sum`
`upper_bounds`	通过底层切片器对象。
`values`	通过底层切片器对象。

property base_values: 通过底层切片器对象。

property clustering: 通过底层切片器对象。

cohorts(cohorts: int | list[int] | tuple[int] | ndarray) → Cohorts

将此解释分成几个队列。

参数:

cohortsint 或数组: 如果这是一个整数，那么我们使用决策树自动构建那么多队列。如果这是一个数组，那么我们将其视为每个实例的队列名称/ID 数组。

返回:

队列对象

property data: 通过底层切片器对象。

property display_data: 通过底层切片器对象。

property error_std: 通过底层切片器对象。

property feature_names: 通过底层切片器对象。

property hierarchical_values: 通过底层切片器对象。

hstack(other: Explanation) → Explanation

按列堆叠两个解释。

参数:

othershap.Explanation: 要堆叠的另一个 Explanation 对象。

返回:

expshap.Explanation: 表示堆叠解释的新 Explanation 对象。

property instance_names: 通过底层切片器对象。

property lower_bounds: 通过底层切片器对象。

property main_effects: 通过底层切片器对象。

property output_indexes: 通过底层切片器对象。

property output_names: 通过底层切片器对象。

property shape: tuple[int, ...]: 计算可能复杂的数据嵌套的形状。

property upper_bounds: 通过底层切片器对象。

property values: 通过底层切片器对象。