跳到主要内容
StatsX

机器学习与数据挖掘

SHAP 模型解释

用 Shapley 加性解释量化每个特征把模型预测推高或拉低了多少，并给出全局重要性与方向。

更新日期 2026-08-29 机器学习

这篇能回答什么

SHAP（SHapley Additive exPlanations）回答的是「模型为什么这样预测」。它把一次预测分解为各特征的边际贡献，使得贡献之和等于预测值相对基准的差。全局上，用平均绝对 SHAP 衡量特征重要性；方向上，用特征取值与 SHAP 值的相关判断正向驱动还是负向驱动。StatsX 底层拟合随机森林，再用 TreeExplainer 计算 SHAP。

适合：打开房价、流失、信用等树模型的黑盒，找出「面积把总价推高了多少」这类可写进结果节的归因。本教学示例目标为总价(万元)，特征为面积、楼层、建筑年份与总楼层。

什么时候不该用

SHAP 解释的是这台模型，不是数据生成过程，更不是因果：面积的 SHAP 高不证明「增大面积会导致总价上升」，只说明模型在预测时重用了该特征。没有明确因变量时，应改用K-Means 等无监督方法。只要基尼重要性、不要方向与局部贡献时，可用随机森林特征重要性。样本量过小（少于 20 行）不能运行。

如何选择方法

先分清你要的是可加性归因、不纯度重要性还是线性系数。SHAP 提供一致的局部+全局解释；随机森林重要性更快但没有「把预测推高多少」的单位；线性回归的系数在满足假定时可直接读边际效应。

  • SHAP 模型解释：≥2 个特征 + 1 个目标，输出 mean|SHAP|、驱动方向与蜂群图。

  • 随机森林特征重要性：同样是树模型，只报告分裂不纯度下降，不做 Shapley 分解。

  • 线性回归：系数有单位、有标准误，适合可加线性关系，而不是复杂交互。

  • K-Means：无目标变量时的分群，不解释预测。

随机森林特征重要性

基于随机森林算法，评估并筛选对目标变量影响最大的核心特征。

随机森林回归

多棵回归树平均预测，降低方差并给出特征重要性。

线性回归（最小二乘法）

用于确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法；定类自变量自动虚拟变量编码，亦支持按分组变量进行分组建模对比。

K-Means 聚类分析

一种无监督学习算法，将数据点划分为K个具有相似特征的簇。

输入、输出与限制

输入

特征可为定量或定类（定类需能被模型编码为数值）。目标为 1 个定量或定类变量：唯一值较多时按回归森林拟合，唯一值 ≤ 10 或字符串标签时按分类森林拟合。

  • 特征变量：最少 2 个，最多 100 个。

  • 目标变量：正好 1 个定量或定类变量。

输出

结果表列：特征变量、平均绝对 SHAP 值（全局贡献）、驱动方向、与预测目标相关性。驱动方向由特征取值与 SHAP 值的相关系数判定：大于 0.1 为正向，小于 -0.1 为负向，否则为非线性/微弱。同时输出蜂群图与文字洞察。

产品限制

  • 有效样本至少 20 行；拟合最多使用 20000 行。

  • 计算 SHAP 时最多抽取 500 行（随机种子 42）；洞察会注明是否抽样。

  • 底层为随机森林：50 棵树、最大深度 8，不是任意用户自带模型。

  • 蜂群图还会再限制点数，完整 mean|SHAP| 以结果表为准。

  • 这些上限来自 StatsX 实现，不要拿 Python shap 库对完整样本、或 SPSS 中不存在的过程来逐格核对。

案例

研究问题。 综合评价教学表希望解释「树模型在预测总价时主要依赖哪些住房特征、方向如何」，而不是只报告一个黑盒 R²。

教学示例目标为总价(万元)，特征为面积(平米)、楼层、建筑年份、总楼层。全局 SHAP 基于 500 条抽样计算。面积(平米) 的 mean|SHAP| = 150.3252，方向为正向驱动，与目标相关 0.9476，远高于楼层（32.6425）与建筑年份（20.5409）。下载后按同样角色复现本页表格。

下载教学示例表（综合评价）

在 StatsX 中操作

  1. 步骤 1 · 上传表格

    打开工作台，将 Excel / CSV / JSON 拖入上传区。本案例使用综合评价 xlsx，确认工作表为「Sheet1」。单文件不超过 20 MB。

  2. 步骤 2 · 查看画像与质量

    确认总价为定量目标，面积等为定量特征，缺失可接受。不要把 ID 列当作特征。

  3. 步骤 3 · 选择「SHAP 模型解释」

    在算法目录搜索「SHAP」并点选。适合/可用标记仅供参考。

  4. 步骤 4 · 指定特征与目标并运行

    特征勾选面积(平米)、楼层、建筑年份、总楼层（至少 2 个）；目标选总价(万元)。点击运行分析。

  5. 步骤 5 · 阅读结果

    先看 mean|SHAP| 排序，再看驱动方向与蜂群图颜色。抽样计算时以表注与洞察中的 500 条为准。

StatsX 工作台上传综合评价表
将教学示例表拖入工作台上传区。
列画像
列画像确认目标为总价、特征为定量住房属性。
在目录中选择 SHAP 模型解释
在算法目录中选定「SHAP 模型解释」。
为 SHAP 指定特征与目标
特征勾选四列住房属性，目标为总价后运行。

如何阅读输出

下表由同一份教学示例在 StatsX 中运行 SHAP 得到。目标为总价(万元)。面积(平米) 的平均绝对贡献 150.3252，约为楼层（32.6425）的数倍，且与总价相关 0.9476，故为正向驱动。

SHAP 模型归因与特征解释 (目标变量: 总价(万元))
特征变量平均绝对 SHAP 值 (全局贡献)驱动方向与预测目标相关性
面积(平米)150.3252正向驱动0.9476
楼层32.6425正向驱动0.2899
建筑年份20.5409正向驱动0.1031
总楼层18.7801正向驱动0.2074

左右滑动可查看完整表格

SHAP 值衡量了特定特征在预测模型中对最终输出的平均边际贡献。正向驱动意味着特征值增大推高了预测值/发生概率。

SHAP 特征贡献表
工作台中的 SHAP 表，数字应与上表一致。
SHAP 特征影响蜂群图
蜂群图中每点是一条抽样样本；颜色表示特征值高低，横轴为该特征的 SHAP 值。

【SHAP归因】目标=总价(万元)，Shapley加性解释（基于 500 条抽样样本计算全局 SHAP）。

解读顺序建议：任务类型（本案例为回归）→ 是否对 500 条抽样计算 → mean|SHAP| 排序 → 方向是否与业务一致 → 蜂群图是否出现「高面积对应大正 SHAP」的条带。面积与总价几乎共线，模型把大部分预测差归因给面积是预期行为；楼层、总楼层的贡献小且相关中等，不宜写成「楼层不重要」的因果结论。

理论与公式

把特征集合记为 N，模型为 f。特征 i 的 Shapley 值是它在所有特征子集 S 上加入时引起的预测变化的加权平均：

加性说明满足 f(x)=\phi_0+\sum_i \phi_i(x)，其中 \phi_0 为基准（通常是训练预测均值）。全局重要性取抽样样本上的平均绝对值：

驱动方向用 corr(x_i, \phi_i) 的符号：正相关表示特征值越大，模型预测越高。树模型用 TreeExplainer 精确计算路径贡献，避免对特征子集做指数级枚举。分类任务对多类 SHAP 取关注类别（默认正类）再汇总。

注意事项

  • 解释对象是随机森林，换模型（线性、神经网络）SHAP 排序可能改变。

  • 相关高的特征会分摊或集中贡献，共线时不要把「面积 SHAP 最大」读成「其它变量无用」。

  • 超过 500 行只对抽样计算全局 SHAP，与全样本均值可能有随机误差。

  • 正向驱动阈值 ±0.1 是产品规则，弱相关会被标成非线性/微弱。

  • SHAP 单位与目标相同（本案例为万元），不能与标准化回归系数直接比大小。

  • 不能替代随机化试验或工具变量：预测归因 ≠ 干预效应。

常见问题

参考文献

  • Lundberg, S. M., Lee, S.-I. A unified approach to interpreting model predictions[C]//Advances in Neural Information Processing Systems. 2017.

  • Shapley, L. S. A value for n-person games[M]//Contributions to the Theory of Games II. Princeton University Press, 1953.

  • 周志华. 机器学习[M]. 北京: 清华大学出版社, 2016.