Erzwingung von Plots¶
Verwenden Sie die plot_force()-Funktion, um eine Visualisierung zu erstellen, die zeigt, wie jedes Feature zur Vorhersage Ihres Modells beiträgt. Der Beitrag eines Features wird durch einen Pfeil dargestellt, der die Vorhersage des Modells vom Basiswert aus höher oder niedriger steuert.
Die Größe des Pfeils im Plot entspricht der Größenordnung. In der vorherigen Abbildung hat feature_5 den größten positiven Einfluss (wodurch die Vorhersage steigt), während feature_4 den größten negativen Einfluss hat (wodurch die Vorhersage sinkt). Der endgültige vorhergesagte Wert liegt bei etwa 4.
Erforderliche Argumente¶
Argument |
Beschreibung |
|---|---|
|
Eine pandas-Serie oder eine Snowpark-Zeile mit SHAP-Werten für eine bestimmte Instanz. SHAP-Werte geben an, wie viel jedes Feature zur Vorhersage beiträgt. |
|
Eine pandas-Serie oder eine Snowpark-Zeile mit den tatsächlichen Feature-Werten für dieselbe Instanz enthält. Diese Werte werden zusammen mit ihren Beiträgen angezeigt. |
Optionale Argumente¶
Argument |
Beschreibung |
|---|---|
|
Der Basiswert, der die durchschnittliche Vorhersage des Modells darstellt. Dieser Wert ist standardmäßig 0,0, sollte aber in der Regel auf den mittleren Vorhersagewert des Modells eingestellt werden. |
|
Ein Tupel von (Breite, Höhe), das die Größe des Plots steuert. Verwendet eine Standardgröße von (1400, 500), wenn nicht anders angegeben. |
|
Ein Float zwischen 0 und 1, der filtert, welche Features angezeigt werden sollen. Nur Features mit absoluten SHAP-Werten größer als dieser Schwellenwert (als Anteil an allen absoluten SHAP-Werten) werden angezeigt. Der Standardwert ist 0,05 (5 Prozent). |
Die Funktion gibt ein Diagramm zurück, das die folgenden Elemente visualisiert:
Die Vorhersage des Modells als Ausgangspunkt
Positive Beiträge (Erhöhen der Vorhersage) in rot
Negative Beiträge (Verringern der Vorhersage) in blau
Feature-Namen, Feature-Werte und Einflusswerte als Anmerkungen
Die Visualisierung kann hilfreich sein, um die folgenden Datenpunkte zu verstehen:
Welche Features haben den größten Einfluss auf eine bestimmte Vorhersage?
Lenken die einzelnen Features die Vorhersage nach oben oder unten um?
Wie groß ist der Beitrag der einzelnen Features?
Mit welcher Feature-Kombination wird die endgültige Vorhersage erreicht?
Bemerkung
Wenn kein Feature den Schwellenwert erreicht oder ein ungültiger Schwellenwert angegeben ist (nicht zwischen 0 und 1), löst die Funktion eine SnowflakeMLException aus.