shap.maskers.Partition

class shap.maskers.Partition(data, max_samples=100, clustering='correlation')

这通过在给定的背景数据集上进行积分来掩盖表格特征。

与独立不同，分区尊重数据的层次结构。

__init__(data, max_samples=100, clustering='correlation')

使用给定的背景数据和聚类构建一个分区掩码器。

参数:

数据numpy.ndarray, pandas.DataFrame

用于遮罩的背景数据集。

max_samples整数

从传递的背景数据中使用的最大样本数。如果数据超过 max_samples，则使用 shap.utils.sample 对数据集进行子采样。掩码器输出的样本数（用于积分）与背景数据集中的样本数匹配。这意味着较大的背景数据集会导致运行时间更长。通常，大约 1、10、100 或 1000 个背景样本是合理的选择。

聚类字符串或 numpy.ndarray

如果是一个字符串，那么这是用于创建特征聚类的距离度量。距离函数可以是任何有效的 scipy.spatial.distance.pdist 的 metric 参数。然而，我们建议在大多数情况下使用 ‘correlation’。完整的选项列表包括 braycurtis、canberra、chebyshev、cityblock、correlation、cosine、dice、euclidean、hamming、jaccard、jensenshannon、kulsinski、mahalanobis、matching、minkowski、rogerstanimoto、russellrao、seuclidean、sokalmichener、sokalsneath、sqeuclidean、yule。这些都是来自 scipy.spatial.distance.pdist 的 metric 参数的所有选项。如果是一个数组，那么这被认为是特征的聚类。

方法

__init__(data[, max_samples, clustering])	使用给定的背景数据和聚类构建一个分区掩码器。
invariants(x)	这将返回一个掩码，指示当我们对它们进行掩码处理时哪些特征发生了变化。
load(in_file[, instantiate])	从文件流加载一个表格掩码器。
save(out_file)	将表格掩码写入文件流。

invariants(x)

这将返回一个掩码，指示当我们对它们进行掩码处理时哪些特征发生了变化。

这种可选的掩码方法允许解释器在所有将被掩码的特征都不变时，避免重新评估模型。

classmethod load(in_file, instantiate=True)

从文件流加载一个表格掩码器。

save(out_file)

将表格掩码写入文件流。