将自定义模型包装器传入SHAP KernelExplainer时如何保持特征名称对齐？

这个问题我之前也碰到过，核心原因是你的自定义预测函数没有给SHAP提供特征名称的元数据——SHAP对原生sklearn模型会自动读取feature_names_in_这类属性，但对普通函数就没办法自动识别特征名，所以只能默认用“Feature 1”这种占位符。下面给你两种靠谱的解决办法：

方法一：把包装器改成类，添加特征名称属性 #

把你的自定义预测逻辑封装成一个类，模仿sklearn模型的结构添加feature_names_in_属性，SHAP会自动识别这个属性并使用对应的特征名：

import shap
import pandas as pd
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.datasets import load_breast_cancer

# 加载数据
data = load_breast_cancer()
X = pd.DataFrame(data.data, columns=data.feature_names)
y = data.target
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练模型
model = RandomForestClassifier().fit(X_train, y_train)

# 改成类形式的包装器
class ModelWrapper:
    def __init__(self, model, feature_names):
        self.model = model
        self.feature_names_in_ = feature_names  # SHAP会自动读取这个属性
    
    def predict_proba(self, data):
        # 保持你的标准化输出逻辑
        return self.model.predict_proba(data)

# 初始化包装器并传入特征名
wrapper = ModelWrapper(model, X_train.columns)

# 初始化SHAP解释器
explainer = shap.KernelExplainer(wrapper.predict_proba, shap.sample(X_train, 10))
shap_values = explainer.shap_values(X_test.iloc[:5, :])

# 现在summary_plot会显示正确的特征名
shap.summary_plot(shap_values[1], X_test.iloc[:5, :])

方法二：在summary_plot中手动指定特征名 #

如果不想修改包装器结构，可以直接在绘制SHAP图的时候通过feature_names参数手动传入列名，这种方式更直接：

# 沿用你原来的代码，只修改绘图部分
shap.summary_plot(shap_values[1], X_test.iloc[:5, :], feature_names=X_test.columns)

额外注意点 #

• 确保你传入SHAP的背景数据（shap.sample(X_train, 10)）是带列名的DataFrame，而不是numpy数组，这样能避免SHAP在处理过程中丢失特征名关联。
• 如果你后续还要用其他SHAP绘图函数（比如force_plot），方法一的类包装器会更省心，因为它能让你的包装器和原生sklearn模型有一致的接口，适配更多SHAP功能。

备注：内容来源于stack exchange，提问作者Zümra Arslanhan