ML之shap:基于FIFA 2018 Statistics(2018年俄罗斯世界杯足球赛)球队比赛之星分类预测数据集利用RF随机森林+计算SHAP值单样本力图/依赖关系贡献图可视化实现可解释性之攻略


中心眼睛大
中心眼睛大 2022-09-19 10:08:32 49274
分类专栏: 资讯

ML之shap:基于FIFA 2018 Statistics(2018年俄罗斯世界杯足球赛)球队比赛之星分类预测数据集利用RF随机森林+计算SHAP值单样本力图/依赖关系贡献图可视化实现可解释性之详细攻略

目录

基于FIFA 2018 Statistics(2018年俄罗斯世界杯足球赛)球队比赛之星分类预测数据集利用RF随机森林+计算SHAP值单样本力图可视化实现可解释性

  1、定义数据集

2、数据预处理

2.1、分离特征与标签

3、模型建立和训练

3.1、数据集切分 3.2、模型训练

4、模型特征重要性解释可视化

4.1、单个样本基于shap值进行解释可视化

(1)、挑选某条样本数据并转为array格式

(2)、利用Shap值解释RFC模型

    T1、基于树模型TreeExplainer创建Explainer并计算SHAP值,且进行单个样本力图可视化(分析单个样本预测的解释)

    T2、基于核模型KernelExplainer创建Explainer并计算SHAP值,且进行单个样本力图可视化(分析单个样本预测的解释)

4.2、多个样本基于shap值进行解释可视化

(1)、基于树模型TreeExplainer创建Explainer并计算SHAP值

(2)、全验证数据集样本各特征shap值summary_plot可视化

(3)、依赖关系贡献图dependence_plot可视化


相关文章
ML:机器学习可解释性之SHAP值之理解单样本单特征预测
ML之shap:基于FIFA 2018 Statistics(2018年俄罗斯世界杯足球赛)球队比赛之星分类预测数据集利用RF随机森林+计算SHAP值单样本力图可视化实现可解释性之详细攻略
ML之shap:基于FIFA 2018 Statistics(2018年俄罗斯世界杯足球赛)球队比赛之星分类预测数据集利用RF随机森林+计算SHAP值单样本力图可视化实现可解释性之详细攻略实现

相关文章
ML之PDP:基于FIFA 2018 Statistics(2018年俄罗斯世界杯足球赛)球队比赛之星分类预测数据集利用DT决策树&RF随机森林+PDP部分依赖图可视化实现模型可解释性之详细攻略
ML之PDP:基于FIFA 2018 Statistics(2018年俄罗斯世界杯足球赛)球队比赛之星分类预测数据集利用DT决策树&RF随机森林+PDP部分依赖图可视化实现模型可解释性之详细攻略实现

基于FIFA 2018 Statistics(2018年俄罗斯世界杯足球赛)球队比赛之星分类预测数据集利用RF随机森林+计算SHAP值单样本力图可视化实现可解释性

  1、定义数据集

数据集来源Dataset:FIFA 2018 Statistics数据集(Predict FIFA 2018 Man of the Match预测2018年国际足联最佳球员)的简介、下载、使用方法之详细攻略_一个处女座的程序猿的博客-CSDN博客

DateTeamOpponentGoal ScoredBall Possession %AttemptsOn-TargetOff-TargetBlockedCornersOffsidesFree KicksSavesPass Accuracy %PassesDistance Covered (Kms)Fouls CommittedYellow CardYellow & RedRedMan of the Match1st GoalRoundPSOGoals in PSOOwn goalsOwn goal Time
14-06-2018RussiaSaudi Arabia54013733631107830611822000Yes12Group StageNo0
14-06-2018Saudi ArabiaRussia0606033212528651110510000NoGroup StageNo0
15-06-2018EgyptUruguay043833201737839511212200NoGroup StageNo0
15-06-2018UruguayEgypt1571446451133865891116000Yes89Group StageNo0
15-06-2018MoroccoIran06413364501428643310122100NoGroup StageNo0190

2、数据预处理

2.1、分离特征与标签

  1. df_X Goal Scored Ball Possession -operator">% Attempts ... Yellow -operator">& Red Red Goals in PSO
  2. 0 5 40 13 ... 0 0 0
  3. 1 0 60 6 ... 0 0 0
  4. 2 0 43 8 ... 0 0 0
  5. 3 1 57 14 ... 0 0 0
  6. 4 0 64 13 ... 0 0 0
  7. [5 rows x 18 columns]
  8. df_y 0 True
  9. 1 False
  10. 2 False
  11. 3 True
  12. 4 False
  13. Name: Man of the Match, dtype: bool

3、模型建立和训练

3.1、数据集切分
3.2、模型训练

4、模型特征重要性解释可视化

4.1、单个样本基于shap值进行解释可视化

(1)、挑选某条样本数据并转为array格式

  1. 输出当前测试样本:5
  2. Goal Scored 2
  3. Ball Possession % 38
  4. Attempts 13
  5. On-Target 7
  6. Off-Target 4
  7. Blocked 2
  8. Corners 6
  9. Offsides 1
  10. Free Kicks 18
  11. Saves 1
  12. Pass Accuracy % 69
  13. Passes 399
  14. Distance Covered (Kms) 148
  15. Fouls Committed 25
  16. Yellow Card 1
  17. Yellow & Red 0
  18. Red 0
  19. Goals in PSO 3
  20. Name: 118, dtype: int64
  21. 输出当前测试样本的真实label: False
  22. 输出当前测试样本的的预测概率: [[0.29 0.71]]
  1. 输出当前测试样本:7
  2. Goal Scored 0
  3. Ball Possession % 53
  4. Attempts 16
  5. On-Target 4
  6. Off-Target 10
  7. Blocked 2
  8. Corners 7
  9. Offsides 1
  10. Free Kicks 20
  11. Saves 1
  12. Pass Accuracy % 77
  13. Passes 466
  14. Distance Covered (Kms) 107
  15. Fouls Committed 23
  16. Yellow Card 1
  17. Yellow & Red 0
  18. Red 0
  19. Goals in PSO 0
  20. Name: 35, dtype: int64
  21. 输出当前测试样本的真实label: False
  22. 输出当前测试样本的的预测概率: [[0.56 0.44]]

(2)、利用Shap值解释RFC模型

    T1、基于树模型TreeExplainer创建Explainer并计算SHAP值,且进行单个样本力图可视化(分析单个样本预测的解释)

 

    T2、基于核模型KernelExplainer创建Explainer并计算SHAP值,且进行单个样本力图可视化(分析单个样本预测的解释)

 

4.2、多个样本基于shap值进行解释可视化

(1)、基于树模型TreeExplainer创建Explainer并计算SHAP值

(2)、全验证数据集样本各特征shap值summary_plot可视化

(3)、依赖关系贡献图dependence_plot可视化

网站声明:如果转载,请联系本站管理员。否则一切后果自行承担。

本文链接:https://www.xckfsq.com/news/show.html?id=1676
赞同 0
评论 0 条

加入交流群

请使用微信扫一扫!