如何绘制依赖图网格？

Question

我正在尝试从

shap

包中绘制依赖图网格。这是我想要的示例的 MWE 代码：

fig, axs = plt.subplots(2,8, figsize=(16, 4), facecolor='w', edgecolor='k') # figsize=(width, height)
fig.subplots_adjust(hspace = .5, wspace=.001)

axs = axs.ravel()

for i in range(10):

    axs[i].contourf(np.random.rand(12,12),5,cmap=plt.cm.Oranges)
    axs[i].set_title(str(250+i))

plt.show()

这是我到目前为止的代码。有些事情不起作用：

1. 我的网格的图形大小不受我的

   figsize

   参数的影响
2. 我的代码在网格下方绘制了更大版本的图。
3. 网格中仅显示一个依赖图。

fig, axs = plt.subplots(1,8, figsize=(4, 2))
axs = axs.ravel()

for b in X_test.columns[:3]:
    for a in X_test.columns[:3]:
        shap.dependence_plot((a, b), shap_interaction_values, X_test)

我得到的图片：

Answer 1

import shap
import matplotlib.pyplot as plt

X = ...
shap_values = ...

columns = X.columns

# adjust nrows, ncols to fit all your columns
fig, axes = plt.subplots(nrows=4, ncols=3, figsize=(20, 14))
axes = axes.ravel()

for i, col in enumerate(columns):
    shap.dependence_plot(col, shap_values, X, ax=axes[i], show=False)

Answer 2

我遇到了和你一样的问题 - 代码说 dependency_plot 需要一个可选参数：ax

因此，您可以制作子图并将后续图放入其中：

fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(nrows=2, ncols=2)
shap.dependence_plot((a, b), shap_interaction_values, X_test, ax=ax1)
shap.dependence_plot((a, b), shap_interaction_values, X_test, ax=ax2)

在您的情况下，您可以

zip()

将轴和列放在一起。

我还没有解决使用

interaction_index

时该怎么做 - 在这种情况下，你会在图的末尾得到所有可能的交互索引热图，这看起来非常糟糕。

编辑：丑陋的黑客，但它似乎可以解决问题 - 如果您为每个依赖图指定交互索引，那么它将为每个图绘制一个颜色条到最后一个子图中，这看起来很糟糕。

我最终手动删除了轴（每个颜色条都是一个附加轴），然后自动重新调整子图：

fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(nrows=2, ncols=2, constrained_layout=True)
shap.dependence_plot((a, b), shap_interaction_values, X_test, ax=ax1)
shap.dependence_plot((a, b), shap_interaction_values, X_test, ax=ax2)
fig.axes[-1].remove()
fig.axes[-1].remove()

这将消除所有颜色条，并且constrained_layout = True将确保正确重绘最后一个子图，如果没有此参数，它将保持“压扁”状态以为不存在的颜色条腾出空间。

Answer 3

经过几分钟的摆弄，我找到了解决方案。设置

ax

参数本身并不够。您还必须将

show

参数设置为

False

，如下所示：

# Configure subplots to your liking
fig, axs = plt.subplots(nrows=1, ncols=2)

# Plot dependence plots
shap.dependence_plot('age', shap_values, X_test, ax=axs[0], show=False) # set show to False
shap.dependence_plot('age', shap_values, X_test, ax=axs[1], show=False) # set show to False

# Show plots
plt.tight_layout()
plt.show()