使用SHAP从加载的XGBoost模型绘制瀑布图报错求助

错误原因 #

shap.waterfall_plot在新版SHAP中要求传入Explanation对象，你直接传入了原始SHAP值数组，不符合当前API的参数要求。Explanation对象会封装SHAP值、模型预期输出（基础值）、特征数据等必要信息，是瀑布图绘制的必备参数。

解决步骤 #

1. 获取模型基础值：通过explainer.expected_value获取XGBoost模型的基准预测值（分类模型对应log odds）。
2. 封装Explanation对象：用shap.Explanation整合SHAP值、基础值、输入数据，还可自定义特征名称提升图表可读性。
3. 传入Explanation对象调用瀑布图函数。

修改后的完整代码 #

import xgboost
import numpy as np
import shap

# 加载模型
bst = xgboost.Booster()
bst.load_model('./model/xgboost_classifier_model.json')

# 准备输入数据，转float32避免精度问题
input_data = np.array([1,1,1,1], dtype=np.float32).reshape(1,-1)

# 创建解释器，直接调用返回Explanation对象（新版SHAP推荐写法）
explainer = shap.Explainer(bst)
shap_expl = explainer(input_data)

# 若用旧版代码生成的shap_values数组，手动封装Explanation对象的写法：
# shap_values = explainer.shap_values(input_data)
# shap_expl = shap.Explanation(
#     values=shap_values,
#     base_values=explainer.expected_value,
#     data=input_data,
#     feature_names=[f"feature_{i}" for i in range(input_data.shape[1])]
# )

# 绘制单样本瀑布图
shap.waterfall_plot(shap_expl[0])

补充说明 #

• 新版SHAP中直接调用explainer(input_data)即可返回Explanation对象，无需再调用shap_values()方法，写法更简洁。
• 若特征有具体业务名称，替换feature_names列表内容即可让瀑布图更易理解。

内容的提问来源于stack exchange，提问作者user1828605