如何计算跨所有类别的绝对SHAP值均值以得到模型特征重要性

问题场景 #

使用合成数据构建RandomForestClassifier多分类模型，通过SHAP库得到各样本的SHAP值列表，已算出每个类别的平均特征重要性（形状(10,50)）。需计算跨所有类别的绝对SHAP值均值作为模型整体特征重要性，但当前用np.mean(abs_sv, axis=0)得到的结果形状为(250,50)，不符合预期的(50,)（与model.feature_importances_形状一致）。

问题原因 #

多分类任务中，explainer.shap_values(X_test)返回的是长度等于类别数的列表，每个元素对应一个类别的SHAP值数组，形状为(样本数, 特征数)。你的abs_sv是包含10个(250,50)数组的列表（X_test样本数为250）。

直接对abs_sv调用np.mean(axis=0)时，numpy会自动将列表堆叠为(10,250,50)的三维数组，沿类别维度（axis=0）取均值后得到(250,50)，即每个样本、每个特征的跨类别平均绝对SHAP值，并非全局的特征重要性。

正确计算方式 #

有两种等价的实现方式，均可得到形状为(50,)的整体特征重要性：

方法1：堆叠后计算全局均值

先将所有类别的绝对SHAP值堆叠为三维数组，再沿类别维度和样本维度同时取均值：

abs_sv_stack = np.stack(abs_sv)  # 形状变为(10, 250, 50)
feature_importance_overall = np.mean(abs_sv_stack, axis=(0, 1))  # 沿类别、样本维度取均值，结果形状(50,)

方法2：基于类别平均结果再聚合

利用已计算好的每个类别的平均特征重要性（avg_feature_importance_per_class，形状(10,50)），直接沿类别维度取均值：

feature_importance_overall = np.mean(avg_feature_importance_per_class, axis=0)  # 结果形状(50,)

验证 #

两种方法得到的结果完全一致，且与model.feature_importances_的形状匹配，可直接用于全局特征重要性分析。

内容的提问来源于stack exchange，提问作者Amina Umar