如何在LIME图表中显示分类特征的原始字符串值？

下面提供两种可行方案，基于你描述的编码预处理+逻辑回归建模场景：

方案1：后处理LIME解释结果，替换编码值为原始字符串 #

如果已经基于编码后的数据完成模型训练和LIME解释器初始化，可以通过手动映射编码值到原始类别，修改LIME的输出内容：

步骤1：创建编码-原始类别映射字典 #

假设你使用LabelEncoder对分类变量编码，先保存每个特征的映射关系：

from sklearn.preprocessing import LabelEncoder

# 假设已完成编码的LabelEncoder实例
le_gender = LabelEncoder()
le_gender.fit(data['gender'])
le_age = LabelEncoder()
le_age.fit(data['age'])
le_salary = LabelEncoder()
le_salary.fit(data['salary'])

# 构建编码值到原始类别的映射字典
feature_maps = {
    "gender_encoded": dict(zip(le_gender.transform(le_gender.classes_), le_gender.classes_)),
    "age_encoded": dict(zip(le_age.transform(le_age.classes_), le_age.classes_)),
    "salary_encoded": dict(zip(le_salary.transform(le_salary.classes_), le_salary.classes_))
}

步骤2：修改LIME解释结果并可视化 #

获取LIME的原始解释列表，遍历替换编码值为原始字符串，再重新生成可视化：

import lime.lime_tabular
import matplotlib.pyplot as plt

# 基于编码后数据初始化LIME解释器
explainer = lime.lime_tabular.LimeTabularExplainer(
    training_data=X_train.values,
    feature_names=X.columns,
    class_names=['No', 'Yes'],
    mode='classification'
)

# 解释目标测试样本
exp = explainer.explain_instance(X_test.iloc[0], model.predict_proba)

# 替换编码值为原始类别
modified_explanation = []
for feature_str, weight in exp.as_list():
    feat_name, val_str = feature_str.split(' = ')
    val = int(val_str)
    # 替换特征名和对应值
    if feat_name in feature_maps:
        original_val = feature_maps[feat_name][val]
        new_feat_str = f"{feat_name.replace('_encoded', '')} = {original_val}"
    else:
        new_feat_str = feature_str
    modified_explanation.append((new_feat_str, weight))

# 绘制自定义可视化图
vals = [w for _, w in modified_explanation]
names = [n for n, _ in modified_explanation]
colors = ['green' if w > 0 else 'red' for w in vals]

plt.barh(range(len(vals)), vals, color=colors)
plt.yticks(range(len(vals)), names)
plt.title('Local Explanation (Original Category Values)')
plt.tight_layout()
plt.show()

方案2：基于原始数据初始化LIME解释器（推荐） #

这种方法更规范，让LIME直接识别原始分类变量，无需手动替换，需要定义预处理函数将原始数据转换为模型所需的编码格式：

步骤1：定义预处理函数 #

该函数负责将原始字符串格式的特征转换为模型训练时用的编码值：

def preprocess_raw(raw_data):
    # 将numpy数组转换为DataFrame方便处理
    df = pd.DataFrame(raw_data, columns=['gender', 'age', 'salary'])
    df['gender'] = le_gender.transform(df['gender'])
    df['age'] = le_age.transform(df['age'])
    df['salary'] = le_salary.transform(df['salary'])
    return df.values

步骤2：用原始数据初始化LIME解释器 #

指定分类特征的索引和对应的类别名称，LIME会自动用原始字符串展示：

# 原始未编码的特征数据
original_X = data[['gender', 'age', 'salary']]

explainer = lime.lime_tabular.LimeTabularExplainer(
    training_data=original_X.values,
    feature_names=original_X.columns,
    categorical_features=[0, 1, 2],  # 对应gender、age、salary的列索引
    categorical_names={
        0: le_gender.classes_,  # 例如['female', 'male']
        1: le_age.classes_,     # 例如['young', 'middle', 'old']
        2: le_salary.classes_   # 例如['low', 'medium', 'high']
    },
    class_names=['No', 'Yes'],
    mode='classification'
)

# 获取原始格式的测试样本
raw_test_sample = original_X.loc[X_test.index[0]].values

# 解释样本时传入预处理后的预测函数
exp = explainer.explain_instance(
    raw_test_sample,
    lambda x: model.predict_proba(preprocess_raw(x))
)

# 直接显示包含原始类别的可视化
exp.show_in_notebook()

注意事项 #

• 如果使用OneHotEncoder处理分类变量，需调整映射逻辑：将独热特征名（如gender_female）直接作为显示名称，或在初始化LIME解释器时指定对应的原始特征映射。
• 确保LabelEncoder的classes_属性保存完整，避免因数据拆分导致的类别缺失。

内容的提问来源于stack exchange，提问作者Karthik S