期刊配图：SHAP值分析模型可解释性在柱状图与蜂窝图中的进阶组合展示 - 文章 - 开发者社区

picture.image

✨ 欢迎关注 ✨

本节介绍： SHAP值分析模型可解释性在柱状图与蜂窝图中的进阶组合展示。数据采用模拟数据，作者根据个人对机器学习的理解进行代码实现与图表输出，仅供参考。完整数据和代码将在稍后上传至交流群，付费成员可在交流群中获取下载。需要的朋友可关注公众文末提供的购买方式。购买前请咨询，避免不必要的问题。

✨ 文献信息 ✨

picture.image

这张图展示多个机器学习任务模型中每个蛋白质的Shapley加性解释（SHAP）值。每个蛋白质由一条条形图表示，条形的长度表示该蛋白质对不同诊断任务结果的贡献程度：条形越长，表示蛋白质的贡献越大，每个点的颜色表示血浆蛋白的水平，从低到高呈现蓝色（低水平）到红色（高水平）的渐变

也就是常见的SHAP值分析在模型可解释性中的应用，采用柱状图与蜂窝图的进阶组合展示。在常见的任务中通常通过多模型比较来选择最优模型并进行SHAP解释，和文献中针对不同目标变量进行模型构建存在一点差异（原文是组学文章工作量大正常），所以本研究中的可视化仅针对单一模型进行，方法借鉴文献中的可视化思路，但存在一定的差异

✨ 借鉴结果 ✨

picture.image

融合SHAP条形图与蜂窝状散点图，强调模型中每个特征对预测结果的平均贡献程度，同时揭示特征值从低到高如何影响其对应的SHAP值，从而实现模型可解释性的视觉化呈现

对于这个复现结果，作者认为其可视化方式有些过于复杂且花哨，尽管如此，这种设计也可以提供较为直观且丰富的分析视角，具体效果如何还需根据不同的需求来评判，仅供参考

✨ 基础代码 ✨

  
import pandas as pd  
import numpy as np  
import matplotlib.pyplot as plt  
plt.rcParams['font.family'] = 'Times New Roman'  
plt.rcParams['axes.unicode_minus'] = False  
  
df = pd.read_excel('2025-6-11公众号Python机器学习AI.xlsx')  
from sklearn.model_selection import train_test_split  
y = df['y']  
X = df.drop(['y'], axis=1)   
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3,   
                                                    random_state=42, stratify=df['y'])  
from xgboost import XGBClassifier  
from sklearn.model_selection import GridSearchCV, KFold  
from sklearn.metrics import accuracy_score, roc_auc_score  
  
# 定义 XGBoost 分类模型  
model_xgb = XGBClassifier(use_label_encoder=False, eval_metric='logloss', random_state=8)  
  
# 定义参数网格  
param_grid = {  
    'n_estimators': [50, 100, 200],  
    'max_depth': [3, 5, 7],  
    'learning_rate': [0.01, 0.1, 0.2],  
    'subsample': [0.8, 1.0],  
    'colsample_bytree': [0.8, 1.0]  
}  
  
# 使用 K 折交叉验证  
kfold = KFold(n_splits=5, shuffle=True, random_state=8)  
  
# 使用网格搜索寻找最佳参数  
grid_search = GridSearchCV(estimator=model_xgb, param_grid=param_grid, scoring='accuracy',   
                           cv=kfold, verbose=1, n_jobs=-1)  
  
# 拟合模型  
grid_search.fit(X_train, y_train)  
# 使用最优参数训练模型  
xgboost = grid_search.best_estimator_  
import sys  
import os  
# 将标准输出重定向到os.devnull  
sys.stdout = open(os.devnull, 'w')  
import shap  
explainer = shap.TreeExplainer(xgboost)  
shap_values = explainer.shap_values(X_test)  
plt.figure()  
shap.summary_plot(shap_values, X_test, feature_names=X_test.columns, plot_type="dot", max_display=13, show=False, cmap="coolwarm")   
plt.savefig("1.pdf", format='pdf',bbox_inches='tight', dpi=1200)  
plt.show()

picture.image

  
plt.figure()   
shap.summary_plot(shap_values, X_test, plot_type="bar", show=False)  
plt.savefig("2.pdf", format='pdf',bbox_inches='tight', dpi=1200)  
plt.show()

picture.image

使用XGBoost模型进行训练，并借助 SHAP 库对模型结果进行解释。生成两种标准的SHAP可视化图——SHAP 蜂巢图（点图）和 SHAP 柱状图。蜂巢图清晰展示每个特征在不同样本中的SHAP值分布以及其对模型预测的方向和强度，颜色映射反映特征值的大小；而柱状图则从全局角度显示各特征的重要性，通过平均绝对SHAP值来衡量。整个过程采用的是SHAP官方推荐的标准调用方式，是目前解释树模型（如XGBoost）预测结果的主流方法

picture.image

接下来利用环状玫瑰图替代SHAP柱状图，展示各特征相对于整体的重要性占比，旨在更具美观性和视觉冲击力，也就是往期文章——期刊配图：Energy模型解释与SHAP可视化组合，美是无声的竞争力，最后把 SHAP 蜂巢环绕在周围即可得到下图

picture.image

✨ 该文章案例 ✨

picture.image

在上传至交流群的文件中，像往期文章一样，将对案例进行逐步分析，确保读者能够达到最佳的学习效果。内容都经过详细解读，帮助读者深入理解模型的实现过程和数据分析步骤，从而最大化学习成果。

同时，结合提供的免费AI聚合网站进行学习，能够让读者在理论与实践之间实现融会贯通，更加全面地掌握核心概念。

✨ 购买介绍 ✨

本节介绍到此结束，有需要学习数据分析和Python机器学习相关的朋友欢迎到淘宝店铺：Python机器学习AI，或添加作者微信deep_ML联系，购买作者的公众号合集。截至目前为止，合集已包含近300多篇文章，购买合集的同时，还将提供免费稳定的AI大模型使用，包括但不限于ChatGPT、Deepseek、Claude等。

更新的内容包含数据、代码、注释和参考资料。作者仅分享案例项目，不提供额外的答疑服务。项目中将提供详细的代码注释和丰富的解读，帮助您理解每个步骤。购买前请咨询，避免不必要的问题。

✨ 群友反馈 ✨

picture.image