R语言机器学习与临床预测模型69--机器学习模型解释利器：SHAP

文章预览

“ R小盐准备介绍R语言机器学习与预测模型的学习笔记， 快来收藏关注【科研私家菜】 ” 『 科研私家菜 』 为大家准备了关于 『 机器学习临床预测模型 』 的资料，请到文末获取领取方式 01 机器学习的可解释性 对于集成学习方法，效果虽好，但一直无法解决可解释性的问题。我们知道一个xgboost或lightgbm模型，是由N棵树组成，所以对于特定的一个样本，我们无法知道这个样本的特征值是如何影响最终结果。虽说“不管白猫黑猫，抓住耗子的就是好猫”，但在具体任务中，我们还是希望能够获得样本每个特征与其结果之间的关系，特别是针对模型误分的那些样本，如果能够从特征和结果的角度进行分析，对于提高模型效果或是分析异常样本，是非常有帮助的。但是，其可解释性相对困难。对于集成树模型来说，当做分类任务时，模型输出的是一个 ………………………………