训练RBF核SVC模型用Shap时遇AttributeError：'Kernel'无'masker'属性

训练带RBF核的SVC模型后，使用Shap库的KernelExplainer进行模型解释时触发AttributeError，提示'Kernel' object has no attribute 'masker'，尝试过shap.maskers.Independent等方法但错误仍未解决，以下是问题分析与解决方案：

原代码 #

model = SVC (C = 10.0, gamma = 0.01, kernel = 'rbf', probability=True)
model.fit(X_resampled,y_resampled)
y_predict= model.predict_proba(X_resampled_test)[:,1] # for AUC calculation, ploting ROC-AUC and Precision_

from sklearn.metrics import log_loss
print("Log-loss on logit: {:6.4f}".format(log_loss(y_resampled_test, y_predict)))

plt.figure()
# # #Get shap values

# feature_names = X_train.columns
explainer = shap.KernelExplainer(model.predict_proba, X_resampled, link="logit")
shap_values = explainer(X_resampled, X_resampled_test) 

报错信息 #

---------------------------------------------------------------------------
AttributeError                            Traceback (most recent call last)
~\AppData\Local\Temp/ipykernel_22576/2256358008.py in <module>
      4 # feature_names = X_train.columns
      5 explainer = shap.KernelExplainer(model.predict_proba, X_resampled, link="logit")
----> 6 shap_values = explainer(X_resampled, X_resampled_test)

c:\Users\danie\anaconda3\lib\site-packages\shap\explainers\_explainer.py in __call__(self, max_evals, main_effects, error_bounds, batch_size, outputs, silent, *args, **kwargs)
    205         start_time = time.time()
    206 
---> 207         if issubclass(type(self.masker), maskers.OutputComposite) and len(args)==2:
    208             self.masker.model = models.TextGeneration(target_sentences=args[1])
    209             args = args[:1]

AttributeError: 'Kernel' object has no attribute 'masker

问题根源与解决方案 #

1. 调用方式错误
   KernelExplainer的__call__方法仅接受要解释的样本数据，你传入了两个参数（背景数据+测试数据），这是错误的用法。背景数据应在初始化masker时指定，而非在调用explainer时传入。

2. 显式指定masker（新版本Shap要求）
   新版本Shap中，KernelExplainer需要显式设置masker，不能仅靠传入背景数据集自动生成。修正后的代码如下：

   import shap
   
   # 初始化Independent掩码，用训练集作为背景参考数据
   masker = shap.maskers.Independent(data=X_resampled)
   # 初始化KernelExplainer，指定masker与模型预测函数
   explainer = shap.KernelExplainer(model.predict_proba, masker=masker, link="logit")
   # 仅传入需要解释的测试集样本
   shap_values = explainer(X_resampled_test)
   

3. 额外注意事项

   • 若为二分类任务，可通过outputs=1参数指定仅解释正类的概率，减少计算量：shap_values = explainer(X_resampled_test, outputs=1)
   • 确保Shap版本为较新版本（如>=0.40.0），旧版本可能存在参数兼容问题，若仍报错可尝试升级Shap：pip install --upgrade shap

内容的提问来源于stack exchange，提问作者DDM