Diagrammes de force¶
Utilisez la fonction de plot_force()
pour créer une visualisation qui montre comment chaque fonctionnalité contribue à la prédiction de votre modèle. La contribution d’une fonctionnalité est représentée par une flèche qui dirige la prédiction du modèle vers le haut ou le bas de la valeur de base.

La taille de la flèche dans le diagramme de force correspond à la taille de la magnitude. Dans l’illustration précédente, feature_5
a la plus grande influence positive, qui pousse la prédiction vers des valeurs plus élevées, tandis que feature_4
a la plus grande influence négative, ce qui tire la prédiction vers des valeurs plus basses. La valeur finale prédite est de 4 (plus ou moins).
Arguments obligatoires¶
Argument |
Description |
---|---|
|
Une série pandas ou une ligne Snowpark contenant des valeurs SHAP pour une instance spécifique. Les valeurs SHAPreprésentent la contribution de chaque fonctionnalité à la prédiction. |
|
Une série pandas ou une ligne Snowpark contenant les valeurs réelles des fonctionnalités pour la même instance. Ces valeurs sont indiquées à côté de leurs contributions. |
Arguments facultatifs¶
Argument |
Description |
---|---|
|
La valeur de base qui représente la prédiction moyenne du modèle. La valeur par défaut est 0,0, mais doit généralement être définie sur la valeur de prédiction moyenne du modèle. |
|
Un tuple de (largeur, hauteur) qui contrôle la taille du diagramme. Utilise une taille par défaut de (1 400, 500) si non spécifié. |
|
Une valeur flottante entre 0 et 1 qui filtre les fonctionnalités à afficher. Seules les fonctionnalités avec des valeurs SHAP absolues supérieures à ce seuil (en pourcentage du total des valeurs SHAP absolues) sera affiché. La valeur par défaut est 0,05 (5 %). |
La fonction renvoie un graphique qui représente les éléments suivants :
La prédiction du modèle comme point de départ
Les contributions positives (qui poussent la prédiction vers des valeurs plus élevées) en rouge
Les contributions négatives (qui poussent la prédiction vers des valeurs plus basses) en bleu
Les noms des fonctionnalités, les valeurs des fonctionnalités et les valeurs d’influence en tant qu’annotations
La visualisation peut être utile pour comprendre les points de données suivants :
Les fonctionnalités qui ont la plus forte influence sur une prédiction spécifique
La manière dont chaque fonctionnalité pousse la prédiction vers des valeurs plus élevées ou plus basses
L’ampleur de la contribution de chaque fonctionnalité
La manière dont les fonctionnalités se combinent pour arriver à la prédiction finale
Note
Si aucune fonctionnalité n’atteint le seuil de contribution, ou si un seuil non valide est fourni (pas entre 0 et 1), la fonction lève une SnowflakeMLException
.