SHAP Force Plot : Explication locale et intuitive des prédictions

Fonctions :

• shap.force_plot()

  La fonction shap.force_plot() est utilisée pour afficher une visualisation interactive des valeurs de Shapley pour une seule prédiction. Contrairement à shap.summary_plot(), qui présente l'impact global des caractéristiques sur l'ensemble des prédictions, shap.force_plot() se concentre sur l'explication d'une prédiction individuelle. Il montre comment les différentes caractéristiques contribuent à la prédiction pour un exemple spécifique en affichant les valeurs de Shapley pour chaque caractéristique et en visualisant l'impact de celles-ci de manière visuelle.

  Importation :

  import shap

  Attributs :

  Paramètre	Type	Valeur par défaut	Description
  shap_values	array-like	None	Les valeurs de Shapley calculées pour une instance spécifique ou un ensemble d'instances. Ce paramètre représente l'impact de chaque caractéristique sur la prédiction.
  features	array-like, pandas DataFrame	None	Les données d'entrée qui ont été utilisées pour calculer les valeurs de Shapley. Ce paramètre peut être un tableau numpy ou un DataFrame pandas représentant les caractéristiques du jeu de données.
  matplotlib	bool	True	Si `True`, la visualisation sera rendue via matplotlib. Si `False`, un affichage interactif sera utilisé (par exemple, dans un notebook Jupyter).
  show	bool	True	Si `True`, la fonction affichera la visualisation immédiatement.

  Exemple de code :

  📋 Copy

  import shap
  import xgboost
  from sklearn.datasets import load_iris
  from sklearn.model_selection import train_test_split
  
  # Charger un jeu de données d'exemple (Iris)
  X, y = load_iris(return_X_y=True)
  X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
  
  # Entraîner un modèle XGBoost
  model = xgboost.XGBClassifier()
  model.fit(X_train, y_train)
  
  # Créer un explainer SHAP pour le modèle XGBoost
  explainer = shap.TreeExplainer(model)
  
  # Calculer les valeurs SHAP pour un échantillon spécifique (par exemple, la première ligne du test)
  shap_values = explainer.shap_values(X_test)
  
  # Visualiser l'impact des caractéristiques sur la prédiction pour l'exemple donné
  shap.force_plot(shap_values[0], X_test[0], matplotlib=True)

  Explication du code :

  
   	
  
  Données et modèle : Le jeu de données Iris est chargé et divisé en ensembles d'entraînement et de test. Un modèle XGBoost est ensuite entraîné sur les données d'entraînement.
  
   	
  
  Création de l'explainer : Un objet TreeExplainer est créé pour expliquer les prédictions du modèle XGBoost. Ce modèle permet de calculer les valeurs de Shapley qui expliquent comment chaque caractéristique contribue à la prédiction du modèle.
  
   	
  
  Calcul des valeurs SHAP : Les valeurs de Shapley pour l'échantillon spécifique (la première instance du jeu de test ici) sont calculées avec explainer.shap_values(). Ces valeurs indiquent l'impact de chaque caractéristique sur la prédiction pour cet échantillon.
  
   	
  
  Visualisation : La fonction shap.force_plot() est utilisée pour afficher l'impact de chaque caractéristique sur la prédiction pour cette instance spécifique. L'argument matplotlib=True permet d'afficher la visualisation via matplotlib. Si vous travaillez dans un environnement Jupyter, vous pouvez également obtenir une visualisation interactive en définissant matplotlib=False.
  
  
  Sortie attendue :
  
  
   	
  
  Un graphique interactif montrant l'impact des différentes caractéristiques sur la prédiction du modèle pour une instance spécifique. Ce graphique illustre comment chaque caractéristique influence la prédiction, qu'elle augmente ou diminue la probabilité de la classe prédite. Chaque caractéristique a une valeur de Shapley associée, et le graphique peut être visualisé comme un graphique de force où les contributions positives et négatives sont représentées par des flèches.
  
  
  Applications :
  
  
   	
  
  Interprétation des prédictions individuelles : shap.force_plot() est particulièrement utile pour comprendre pourquoi un modèle a fait une certaine prédiction pour un échantillon spécifique. Cela peut être essentiel pour la validation du modèle et pour garantir que ses décisions sont expliquables.
  
   	
  
  Analyse des biais du modèle : En utilisant cette fonction, vous pouvez vérifier comment les différentes caractéristiques influencent les prédictions et si le modèle prend des décisions biaisées en fonction de certaines caractéristiques.
  
   	
  
  Amélioration de la transparence du modèle : Comme shap.summary_plot(), shap.force_plot() permet d'augmenter la transparence des décisions du modèle, ce qui est particulièrement important dans des secteurs où l'explicabilité des modèles est cruciale.