散点密度 vs. 小提琴图

本笔记本提供了几个示例，用于比较 summary_plot 的点密度与小提琴图选项。

import xgboost

import shap

# train xgboost model on diabetes data:
X, y = shap.datasets.diabetes()
bst = xgboost.train({"learning_rate": 0.01}, xgboost.DMatrix(X, label=y), 100)

# explain the model's prediction using SHAP values on the first 1000 training data samples
shap_values = shap.TreeExplainer(bst).shap_values(X)

分层小提琴图

没有颜色，这个图可以简单地显示每个变量的重要性分布，作为一个标准的提琴图。

shap.summary_plot(
    shap_values[:1000, :], X.iloc[:1000, :], plot_type="layered_violin", color="#cccccc"
)

例如，在上文中，我们可以看到 s5 是最重要的变量，通常它会导致预测结果发生较大的正向或负向变化。然而，是 s5 的大值导致正向变化，小值导致负向变化，还是相反，或者更复杂的情况？如果我们用颜色来表示特征的大小，那么这一点就变得显而易见了：

shap.summary_plot(
    shap_values[:1000, :],
    X.iloc[:1000, :],
    plot_type="layered_violin",
    color="coolwarm",
)

在这里，红色代表变量的大值，蓝色代表小值。因此，很明显，s5 的大值确实会增加预测，反之亦然。你还可以看到其他变量（如 s6）相当均匀地分布，这表明尽管它们总体上仍然重要，但它们的相互作用依赖于其他变量。（毕竟，像 xgboost 这样的树模型的全部意义在于捕捉这些相互作用，所以我们不能期望在单一维度上看到所有内容！）

请注意，颜色的顺序并不重要：每个小提琴图实际上是由若干个单独的平滑形状堆叠而成的，每个形状对应于某个特征的特定百分位数（例如 s5值的5-10%百分位数）。这些形状总是从小值开始绘制（因此最接近x轴），大值最后绘制（因此在’边缘’），这就是为什么在这种情况下你总是看到红色在边缘，蓝色在中间。（当然，你可以通过使用不同的颜色映射来改变这一点，但重点是红色在蓝色内部/外部的顺序没有固有的意义。）

如果你愿意，还有其他选项可以尝试。最值得注意的是上面提到的 layered_violin_max_num_bins。这个选项有一个额外的效果，如果特征的唯一值少于 layered_violin_max_num_bins，那么我们不会将每个部分按百分位分区（如上面的 5-10%），而是让每个部分代表一个特定的值。例如，由于 sex 只有两个值，这里蓝色将代表男性（或女性？），红色代表女性（或男性？）。

点图

点图结合了散点图和密度估计，通过在点无法适应时让它们堆积起来。这种方法的优点是它不会在核平滑背后隐藏任何东西，因此你可以看到数据的精确表示。

shap.summary_plot(shap_values[:1000, :], X.iloc[:1000, :])

小提琴图

这些是标准的箱线图，但异常值绘制为点。这比仅从少数点估计的核密度更能准确地表示异常值的密度。颜色表示该位置的平均特征值，因此红色区域高特征值占主导，而蓝色区域低特征值占主导。

shap.summary_plot(shap_values[:1000, :], X.iloc[:1000, :], plot_type="violin")