如何在多分类任务中绘制全类别SHAP汇总图

问题背景 #

使用XGBoost结合SHAP分析多分类任务的特征重要性时，仅能逐个生成单类别柱状汇总图，需要实现在一张图中展示每个特征对所有类别的贡献。环境版本：SHAP 0.45.0，Python 3.10.12。

解决方案 #

SHAP自带的summary_plot对多分类任务的柱状图不支持直接批量展示，需要手动处理SHAP值后，用可视化库绘制分组柱状图或子图布局的单类别汇总图。

方案1：分组柱状图（单图对比跨类别特征贡献） #

通过计算每个特征在不同类别下的平均绝对SHAP值，生成分组柱状图，直观对比同一特征对不同类别的重要性：

import matplotlib.pyplot as plt
import seaborn as sns

# 计算每个类别下，每个特征的平均绝对SHAP值（绝对值代表特征对模型输出的影响程度）
mean_abs_shap = []
for class_shap in shap_values:
    mean_abs = np.mean(np.abs(class_shap), axis=0)
    mean_abs_shap.append(mean_abs)

# 转换为DataFrame，便于可视化处理
feature_names = [f"Feature {i}" for i in range(X_test.shape[1])]
shap_df = pd.DataFrame(
    np.array(mean_abs_shap).T,
    columns=[f"Class {c}" for c in range(len(shap_values))],
    index=feature_names
)

# 按所有类别的平均SHAP值排序，取前10个最具代表性的特征（可按需调整数量）
top_n_features = 10
shap_df['Overall Mean'] = shap_df.mean(axis=1)
shap_df_sorted = shap_df.sort_values(by='Overall Mean', ascending=False)\
                        .drop('Overall Mean', axis=1)\
                        .head(top_n_features)

# 绘制分组柱状图
plt.figure(figsize=(12, 8))
sns.barplot(data=shap_df_sorted.T, palette='viridis')
plt.title('SHAP Feature Importance by Class (Top 10 Features)')
plt.xlabel('Class')
plt.ylabel('Mean Absolute SHAP Value')
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()

方案2：子图布局（单图展示所有类别的独立汇总图） #

如果希望保留SHAP原生柱状图的样式，可将每个类别的汇总图以子图形式排列在一张画布中：

import matplotlib.pyplot as plt

n_classes = len(shap_values)
# 设定子图行列数（按3列排列，可按需调整）
n_cols = 3
n_rows = (n_classes + n_cols - 1) // n_cols

plt.figure(figsize=(15, n_rows * 5))
for class_idx in range(n_classes):
    plt.subplot(n_rows, n_cols, class_idx + 1)
    # 绘制单类别SHAP柱状图，关闭自动展示
    shap.summary_plot(shap_values[class_idx], X_test, plot_type="bar", show=False)
    plt.title(f"Class {class_idx}")
plt.tight_layout()
plt.show()

说明 #

• 平均绝对SHAP值是衡量特征重要性的常用方式，它消除了SHAP值正负方向的影响，只体现特征对模型输出的影响程度。
• 方案1适合对比同一特征在不同类别下的重要性差异；方案2适合快速查看每个类别的Top特征，保留SHAP原生可视化风格。

内容的提问来源于stack exchange，提问作者cconsta1