可生成数据表类型（推荐）
无编辑摘要 |
（→概述） |
||
| 第29行： | 第29行： | ||
==概述== | ==概述== | ||
SHAP（SHapley Additive exPlanations）是一种用于解释机器学习模型预测的算法和框架。它基于博弈论中的Shapley值概念，并将其应用于解释预测模型中各个特征对最终预测结果的贡献程度。 | |||
=='''节点使用指南'''== | =='''节点使用指南'''== | ||
2024年1月23日 (二) 14:20的版本
 | |
| 节点状态 |  /  Win10及以上可用在V1.0部署
|
|---|---|
SHAP  | |
| 节点开发者 | 决策链算法研发部 (Dev.Team-DPS) |
| 节点英文名 | SHAP |
| 功能主类别 | 机器学习 |
| 英文缩写 | SHAP |
| 功能亚类别 | 模型评估 |
| 节点类型 | 数据挖掘 |
| 开发语言 | R |
| 节点简介 | |
SHAP（SHapley Additive exPlanations）是一种用于解释机器学习模型预测的算法和框架。它基于博弈论中的Shapley值概念，并将其应用于解释预测模型中各个特征对最终预测结果的贡献程度。 | |
| 端口数量与逻辑控制(PC) | |
| Input-入口 | 2个 |
| Output-出口 | 2个 |
| Loop-支持循环 | 否 |
| If/Switch-支持逻辑判断 | 否 |
| 输入输出 | |
| 相关节点 | |
| 上一节点 | 机器学习基础绘图节点 |
| 下一节点 | 多模型评估节点 |
概述
SHAP（SHapley Additive exPlanations）是一种用于解释机器学习模型预测的算法和框架。它基于博弈论中的Shapley值概念，并将其应用于解释预测模型中各个特征对最终预测结果的贡献程度。
节点使用指南
- 最适用的场景：决策树可用于解决分类问题，其中目标是将数据分为不同的类别或预测数据的类别。
- 处理的数据类型：结局变量为二分类，特征变量大多数为连续型的变量。
变量配置
- 选择预测概率值：选择预测概率变量，一般带有“_pred”字样，可多选。
- 选择真值：选择测试值，可多选。
参数配置
- 绘图方法选择：可多选ROC曲线，PR曲线，DCA曲线和矫正曲线。
注意事项
- 不支持带空值运算，在选择多个预测值和真值时必须一一对应，即如果预测值选择"A_pred","B_pred"，真值也必须按照"A","B"的顺序勾选，不可按照"B","A"的顺序选择。
- 节点可选出图，
- 导入该节点的数据端口为绘图数据集，导入前注意接口颜色。
参考文献
查找其他类别的节点，请参考以下列表
列表
数据处理节点
数据输入
变量处理
行列处理
矩阵处理
表格处理
列表
数据分析节点
描述性统计
统计检验
方差分析
相关分析
回归分析
Lasso回归 二项式Lasso回归 泊松Lasso回归 生存状态Lasso回归 高斯PLS回归Ridge回归 二项式Ridge回归 泊松Ridge回归 生存状态Ridge回归 高斯分位回归多分类逻辑回归多项式回归广义估计方程 伽玛广义估计方程 泊松广义估计方程 负二项广义估计方程 逻辑广义估计方程 高斯广义相加模型 伽玛广义相加模型 泊松广义相加模型 负二项广义相加模型 逻辑广义相加模型 高斯广义相加混合模型 伽玛广义相加混合模型 泊松广义相加混合模型 负二项广义相加混合模型 逻辑广义相加混合模型 高斯广义线性回归 伽玛广义线性回归 泊松广义线性回归 负二项广义线性回归 逆概率加权联合标准差稳健线性回归线性回归逐步回归逻辑回归
时序分析
潜变量分析
生存分析
多元分析
综合分析
列表
机器学习节点
列表
AI和神经网络
环境检测
