SHAP分析交互作用的功能，如果你用的模型是xgboost
SHAP分析交互作用的功能，如果你用的模型是xgboost
如果在SHAP分析中使用的是xgoost模型，就可以使用SHAP分析内置的交互作用分析，为分析变量间的相互提供了另外一个观察的视角。关于SHAP交互作用分析，一个参考资料，还是很值得看看。
- SHAP分析内置的交互作用可视化（汇总图）。是使用R语言shapviz包实现。前提是用的模型是xgboost，还要在获得shap对象的时候将参数“interactions=TRUE”。这个图对角线上是主效应，对角线两侧是交互作用，大概就是里面的点分得越开，交互作用越大。
- 如果觉得不够直观，还可以获取交互作用的SHAP值来绘制热图。R语言shapviz包中使用sv_interaction(shap obj)函数来绘制上面的图，如果将其中的参数“kind=‘no’”，那么就会获得一个交互作用的数据表，而不是图。这个数据表直接导入pheatmap（）函数来绘制热图，应该是比较容易看懂。
- 这时候如果已经选出了感兴趣的变量，推荐你选择一个连续变量。这时候可以聚焦观察这两个变量之间的交互作用。这个功能并不需要xgboost模型。
- 如果恰巧与这个变量有交互作用的变量是一个分类变量，你可以用分层分析来观察两者之间的交互作用，包括使用限制性立方样条回归来拟合分层的SHAP值。
也有一些专门分析交互作用的专门的R包，比如interactions，或许使用SHAP分析发现交互作用之后，就可以引入这些包来进行一些交互作用分析，而以上的功能为我们提供了更多的选择。实现代码保存在和鲸社区相关项目，一键复现。