如何在R中使用kernelshap与shapviz计算并绘制SHAP交互值？

1. 安装并加载依赖包 #

首先安装所需R包：

install.packages(c("kernelshap", "shapviz", "xgboost", "dplyr"))

加载包：

library(kernelshap)
library(shapviz)
library(xgboost)
library(dplyr)

2. 准备数据并训练模型 #

以mtcars数据集为例，训练回归模型作为演示：

# 拆分特征与目标变量
data(mtcars)
X <- mtcars %>% select(-mpg)  # 特征矩阵
y <- mtcars$mpg               # 目标变量

# 训练XGBoost模型
dtrain <- xgb.DMatrix(data = as.matrix(X), label = y)
model <- xgb.train(
  data = dtrain,
  nrounds = 50,
  objective = "reg:squarederror",
  verbose = 0
)

3. 计算SHAP交互值 #

使用kernelshap函数，通过interactions = TRUE参数触发交互值计算：

# 计算SHAP交互值
shap_results <- kernelshap(
  model = model,
  X = X,
  interactions = TRUE,
  verbose = 0
)

返回的shap_results对象包含常规SHAP值，以及存储交互SHAP值的矩阵S_inter。

4. 可视化SHAP交互值 #

利用shapviz的内置函数完成两类可视化：

单个特征对的交互效果

指定两个特征，展示它们的交互对预测值的影响：

sv <- shapviz(shap_results)
sv_interaction(sv, feature1 = "wt", feature2 = "hp")

所有特征对的交互强度热图

直观展示所有特征间的交互强度：

sv_interaction_heatmap(sv)

补充说明 #

• kernelshap兼容所有带有predict方法的模型（如随机森林、线性模型等），只需替换训练模型的代码即可。
• sv_interaction图中，颜色代表其中一个特征的取值，点的位置与颜色共同呈现两个特征交互对SHAP值的影响逻辑。

内容的提问来源于stack exchange，提问作者diggi2395