精华内容
下载资源
问答
  • shap

    2013-08-24 12:09:04
    android:startColor="#ff8c00"  android:endColor="#FFFFFF"  android:angle="270" />      android:width="2dp"  andro

    <shape>
                <!-- 实心 -->
                <solid android:color="#ff9d77"/>
                <!-- 渐变 -->
                <gradient
                    android:startColor="#ff8c00"
                    android:endColor="#FFFFFF"
                    android:angle="270" />
                <!-- 描边 -->
                <stroke
                    android:width="2dp"
                    android:color="#dcdcdc" />
                <!-- 圆角 -->
                <corners
                    android:radius="2dp" />
                <padding
                    android:left="10dp"
                    android:top="10dp"
                    android:right="10dp"
                    android:bottom="10dp" />
            </shape>

    solid:实心,就是填充的意思
    android:color指定填充的颜色

    gradient:渐变
    android:startColor和android:endColor分别为起始和结束颜色,ndroid:angle是渐变角度,必须为45的整数倍
    另外渐变默认的模式为android:type="linear",即线性渐变,可以指定渐变为径向渐变,android:type="radial",径向渐变需要指定半径android:gradientRadius="50"。

    stroke:描边
    android:width="2dp" 描边的宽度,android:color 描边的颜色。
    我们还可以把描边弄成虚线的形式,设置方式为:
    android:dashWidth="5dp" 
    android:dashGap="3dp"
    其中android:dashWidth表示'-'这样一个横线的宽度,android:dashGap表示之间隔开的距离。

    corners:圆角
    android:radius为角的弧度,值越大角越圆。
    我们还可以把四个角设定成不同的角度,方法为:
    <corners 
            android:topRightRadius="20dp"    右上角
            android:bottomLeftRadius="20dp"    右下角
            android:topLeftRadius="1dp"    左上角
            android:bottomRightRadius="0dp"    左下角
     />
    这里有个地方需要注意,bottomLeftRadius是右下角,而不是左下角,这个有点郁闷,不过不影响使用,记得别搞错了就行。
    还有网上看到有人说设置成0dp无效,不过我在测试中发现是可以的,我用的是2.2,可能修复了这个问题吧,如果无效的话那就只能设成1dp了。

    padding:间隔
    这个就不用多说了,XML布局文件中经常用到。


    展开全文
  • SHAP (SHapley Additive exPlanations) is a game theoretic approach to explain the output of any machine learning model. It connects optimal credit allocation with local explanations using the classic ...
  • Shap圆角

    2017-03-13 14:04:27
    Shap圆角实现了圆角和颜色的渐变
    效果图:
    

    shap:
    在main→res→drawable下创建shap_button文件。

    shap_button的代码:
    <!--定义形状有四个属性:line线形,rectangle长方形,oval圆形,ring环形-->
    <shape xmlns:android="http://schemas.android.com/apk/res/android"
        android:shape="rectangle">
    <!--设置圆角的弧度有五个属性:
    radius所有角,
    bottomLeftRadius左下角,
    bottomRightRadius右下角,
    topLeftRadius左上角,
    topRightRadius右下角-->
    <corners android:radius="15dp"/>
    <!--定义控件的渐变颜色-->
        <gradient
            android:startColor="#cccccc"
            android:centerColor="#ccffdd"
            android:endColor="#cccccc"/>
    布局文件MainActivity里按钮的代码:
    <Button
            android:background="@drawable/shap_button"
            android:layout_width="match_parent"
            android:layout_height="wrap_content"
            android:text="测试圆角的显示"
            android:id="@+id/button"
            android:layout_alignParentTop="true"
            android:layout_centerHorizontal="true"/>
    展开全文
  • 通过java读取shap文件字段并自动建库把shap里面的数据入库 通过java读取shap文件字段并自动建库把shap里面的数据入库
  • SHAP解释模型

    2021-09-20 17:07:51
    以下实验使用当前最新版本shap:0.39.0 $ pip install shap 注意xgboost也需要使用对应的较新版本,如: $ pip install xgboost==0.82 为使用交互界面,notebook环境下,加载用于可视化的JS代码 import ...

    环境配置:

    以下实验使用当前最新版本shap:0.39.0

    $ pip install shap
    

    注意xgboost也需要使用对应的较新版本,如:

    $ pip install xgboost==0.82
    

    为使用交互界面,notebook环境下,加载用于可视化的JS代码

    import shap
    shap.initjs()
    

    SHAP实验

    SHAP的可解释性,基于对每一个训练数据的解析。比如:解析第一个实例每个特征对最终预测结果的贡献。

    shap.plots.force(shap_values[0])
    

    (图一)

    对如此图中,红色特征使预测值更大(类似正相关),蓝色使预测值变小,而颜色区域宽度越大,说明该特征的影响越大。(此处图中数字是特征的具体数值) 其中base_value是所有样本的平均预测值,output_value即f(x)是本实例的预测值。本例分析了回归问题,对于分类问题,可以看到base_value和output_value并不在0-1之间,这是由于对数转换造成的。

    进而可以画出每个特征对结果影响程度的具体大小(此处图中数字是特征权重)

    shap.plots.waterfall(shap_values[0])
    

    (图二)

    以上都是对于单个实例的解释,更多的时候我们看到的是这种图:

    shap.plots.beeswarm(shap_values)
    

    (图三)

    它对所有实例作图,相当于把图一上的每个特征旋转90度画成点图。这样可以看到特征对预测影响的大小,需要注意的是:这里的横坐标是shap-value即影响的权重,而非特征的具体值,特征值大小对结果的影响通过颜色表示(红色为值大,蓝色为值小,紫色邻近均值)。因此,区域分布越宽说明它的影响力越大,因此这个图一般是上宽下窄(影响大的放在上面)。 图中最后一行显示了Sum of other features,如果不需要显示这一行,则可使用函数:

    shap.summary_plot(shap_values, test, max_display=5)
    

    上只是罗列结果,并未进行统计处理,而对模型产生最大影响的前N的特征,一般是通过各个特征绝对值的均值(abs()->mean())得到的,使用绝对值解决了正负抵消的问题,更关注相关性的大小。 从这个图中就没办法看出是正相关还是负相关了,但使用shap工具可以得到具体的shap value,可以自行处理。

    shap.plots.bar(shap_values)
    

     

    (图四)

    此处可引申出SHAP更多的用法,尤其对于研究和归因,比如研究模型对“老年男性”或者“入院第五天”人群的特征重要性。做柱图的bar函数支持cohort参数,通过传入list(与实例个数相等),来划分人群(当前版本(0.39.0)支持cohort分群逻辑)。

    import numpy as np
    idx = ['aa' for i in range(506)] # 定义群及对应标签 idx[5]='bb'
    idx[8]='bb'
    shap.plots.bar(shap_values.cohorts(idx))
    

    (图五)

    上述bar画出的是统计图,有时还是想在图中看出特征是正相关还是负相关,使用force函数可将多个实例的特征贡献度画在一张图上。

    shap.plots.force(explainer.expected_value, shap_values.values[:10])
    

    (图六)

    force()工具非常灵活,横纵坐标都可以选择,每个横坐标对应一个实例,可选择:按输出排序,按实例顺序排序,按近似实例排序;纵向可以选择查看哪个些特征,默认是查看所有特征。通过转入不同的shap value数组,可以研究部分或全部实例。

    参考

    不再黑盒,机器学习解释利器:SHAP原理及实战
    https://zhuanlan.zhihu.com/p/106320452

    SHAP:Python的可解释机器学习库
    https://zhuanlan.zhihu.com/p/83412330

    展开全文
  • shap学习笔记

    千次阅读 2020-09-28 21:25:02
    shap学习笔记1 shap使用代码 shap原理解释 https://yq.aliyun.com/articles/760042?scm=20140722.184.2.173 shap实用案例 https://zhuanlan.zhihu.com/p/83412330 1 shap使用代码 1 首先,准备好机器学习建模,如xgb...

    shap原理解释
    https://yq.aliyun.com/articles/760042?scm=20140722.184.2.173
    https://zhuanlan.zhihu.com/p/106320452

    shap实用案例
    https://zhuanlan.zhihu.com/p/83412330
    http://sofasofa.io/tutorials/shap_xgboost/
    https://blog.csdn.net/qq_41103204/article/details/104896630

    1 shap使用代码

    1 首先,准备好机器学习建模,如xgb

    train_x, test_x, train_y, test_y = train_test_split(data_input, data_result, test_size=0.01, random_state=0)
    params = {......}
    model = xgb.train(params, xgb.DMatrix(train_x, label=train_y),......)
    

    2 如果是xgb的1.1.0及以上版本,修改模型解决utf-8不能编码问题
    在建模之后,在shap运行之前,添加代码:

    # 对model的编码,删除binf
    model_modify = model.save_raw()[4:]
    def myfun(self=None):
        return model_modify
    model.save_raw = myfun
    

    3 shap应用

    # 调用shap
    explainer = shap.TreeExplainer(model)
    # 计算shap值
    shap_values = explainer.shap_values(train_x)
    
    # 查看结果,以下结果分步单独查看
    shap.summary_plot(shap_values, train_x, max_display=30)
    # 查看统计条形图,绝对值贡献度
    shap.summary_plot(shap_values, train_x, plot_type="bar")
    
    # notebook环境下,加载用于可视化的JS代码
    shap.initjs()
    # 查看单个样本的值,这里看第0行,即第1个样本的shap图像
    # 注:这里的第0行为训练集train_x的第0行,这是从原数据data_input中随机抽出来的第一个数
    shap.force_plot(explainer.expected_value, shap_values[0,:], train_x.iloc[0,:])
    

    2 shap笔记

    (1)shap需要传入的内容:

    • model,机器学习的模型
    • train_x,模型的训练集输入值

    (2)shap_values

    • train_x是一个 m ∗ n m*n mn的dataframe,即m个样本n个特征
    • shap_values是numpy.ndarray,一个 n u m ∗ m ∗ n num*m*n nummn的嵌套列表,num为分类数量
    展开全文
  • shap安装记录

    千次阅读 2020-07-09 11:04:16
    pip install shap ## 安装python 报错1: 解决1: 将python切换为python3.6即可(可重建一个python3.6的虚拟环境) step2. 在pycharm中运行脚本 import xgboost import shap # 训练一个XGBoost 模型 X, y = shap....
  • ShopRepo Shap App回购
  • shap文件修复工具

    2015-05-13 09:14:06
    一键快捷修复shap文件出现于DBF表格不对应的情况
  • C_Shap_project-源码

    2021-03-16 22:16:00
    C_Shap_project
  • Demo-C-Shap-源码

    2021-02-13 05:55:53
    Demo-C-Shap
  • 代码生成软件+Database2Shap
  • 数据分析SHAP工具

    2021-06-07 09:53:02
    文章目录SHAP使用单个case预测的解释多个case预测的解释参考博客 SHAP使用 SHAP: 名称来源于Shapley Additive explanation. 可以解释任何机器学习模型的输出。shap value是预测样本预测值中每个特征分配到的数值,还...
  • shap 模型Responsible AI has been a very hot topic in recent years. Accountability and explainability now become the necessary components of your machine learning models, particularly when the models ...
  • 在A Unified Approach to Interpreting ModelPredictions论文中的第三个分析模型评估标准:SHAP分析Mnist数据集遮掩实验复现代码
  • 在A Unified Approach to Interpreting ModelPredictions论文中的第三个分析模型评估标准:SHAP分析Mnist数据集遮掩实验复现代码(new)
  • Py之shapshap库的简介、安装、使用方法之详细攻略 目录 shap库的简介 shap库的安装 shap库的使用方法 1、树类集成模型案例 2、带有深度解释器的深度学习示例(TensorFlow/Keras模型) 3、带有...
  • 保存Shap生成的神经网络解释图(shap.image_plot) 调用shap.image_plot后发现使用plt.savefig保存下来的图像为空白图,经过查资料发现这是因为调用plt.show()后会生成新画板。(参考链接:保存plot_如何解决plt....
  • pip安装shap报错

    2021-05-29 14:37:04
    python pip install shap 报错 error ERROR: Command errored out with exit status 1: linux pip安装shap 报错 Building wheel for shap (setup.py) … error ERROR: Command errored out with exit status 1: ...
  • 利用Shap Value挑选变量

    千次阅读 2019-03-19 09:07:51
    #Shap Value clf = lgb.LGBMClassifier(objective='binary',random_state=1024).fit(X_train,y_train) explainer = shap.TreeExplainer(clf) shap_values = explainer.shap_values(X_train) shap.summary_plot(...
  • SHAP (SHapley Additive exPlanations)

    千次阅读 2020-12-06 01:07:05
    Interpretable Machine Learning(2)——SHAP
  • 在A Unified Approach to Interpreting ModelPredictions论文中的第三个分析模型评估标准:SHAP分析Mnist数据集遮掩实验复现代码
  • XGB-SHAP-EHR-EF-源码

    2021-03-05 12:47:04
    XGB-SHAP-EHR-EF
  • 在A Unified Approach to Interpreting ModelPredictions论文中的第三个分析模型评估标准:SHAP分析Mnist数据集遮掩实验复现实验结果图片
  • 集成模型筛选特征shap

    千次阅读 2020-05-13 15:27:21
    http://sofasofa.io/tutorials/shap_xgboost/
  • 2019年全国行政区划区县级shap文件最新包括全国2019年全国行政区划区县级shap文件最新包括全国2019年全国行政区划区县级shap文件最新包括全国
  • SHAP(SHapley Additive exPlanations)是一种游戏理论方法,用于解释任何机器学习模型的输出。 它使用博弈论中的经典Shapley值及其相关扩展将最佳信用分配与本地解释联系起来(详细信息和引文,请参见)。 安装 ...
  • SHAP分析lightGBM

    2021-01-02 12:25:55
    SHAP (SHapley Additive exPlanations) is a game theoretic approach to explain the output of any machine learning model. It connects optimal credit allocation with local explanations using the classic ...
  • 主要介绍了Android布局自定义Shap圆形ImageView可以单独设置背景与图片 的相关资料,需要的朋友可以参考下
  • 利用SHAP解释Xgboost模型

    千次阅读 2020-10-08 20:06:31
    2017年,Lundberg和Lee的论文提出了SHAP值这一广泛适用的方法用来解释各种模型(分类以及回归),其中最大的受益者莫过于之前难以被理解的黑箱模型,如xgboost和神经网络模型。 本教程中,我们在真实数据集上进行...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 4,774
精华内容 1,909
关键字:

SHAP