Python分析结果可解释性_指标与图表说明方法【技巧】

sklearn.metrics指标需结合classification_report、混淆矩阵热力图和SHAP图深入解读：设pos_label、用average=None、标注行列含义、转概率尺度、控制采样并封装Explainer进pipeline。

用 sklearn.metrics 算出的指标为什么看不懂？

因为多数指标（如 f1_score、roc_auc_score）只返回一个数字，不带业务含义。比如 f1_score=0.82 无法回答“模型在哪些客户群上容易误判？”

• 优先搭配 classification_report 输出每类的 precision/recall/f1-score，尤其关注低支持度（support）类别的数值是否失真
• 对二分类，强制设置 pos_label 参数（如 pos_label=1），否则默认按标签排序可能把负类当正类算
• 若用 average='weighted'，结果会掩盖少数类表现；改用 average=None 查看原始数组，再手动加权

混淆矩阵热力图里数字堆叠看不清？

直接用 seaborn.heatmap 默认会显示小数、不标注绝对频次、颜色映射不区分高低错判，导致关键问题被忽略。

• 传入 confusion_matrix(y_true, y_pred) 后，用 annot=True + fmt='d' 强制显示整数频次
• 添加 xticklabels=['Predicted Negative', 'Predicted Positive'] 和 yticklabels 显式标注行列含义，避免靠记忆对齐
• 用 cmap='Blues' 而非默认 cmap='viridis'，让高值更醒目，同时加 cbar_kws={'label': 'Count'} 明确色条单位

SHAP 图表中 shap.summary_plot 横轴单位混乱？

横轴默认是 SHAP 值（log-odds 差分），但业务方只认“提升/降低概率多少个百分点”，直接展示易引发误解。

• 调用时加参数 plot_type='dot'（默认）后，用 feature_names 传入中文列名，避免缩写歧义（如 'age_grp' → '年龄分段'）
• 若需概率尺度，先用模型的 predict_proba 得到原始概率，再用 shap.Explainer(model, X_train, feature_perturbation="tree_path_dependent")（树模型）或 shap.KernelExplainer（线性/其他）重算
• 注意 shap.summary_plot 对样本量敏感：>1000 行会自动采样，导致局部模式丢失；加 max_display=10 和 plot_size=(8,6) 控制可读性

用 matplotlib 画特征重要性却看不出业务逻辑？

单纯按 model.feature_importances_ 排序画柱状图，无法体现方向性（正向/负向影响）和阈值效应（如“收入>5万才起作用”）。

• 改用 pd.Series(model.feature_importances_, index=X.columns).sort_values(ascending=False)，再筛选前 10 项，避免长尾噪声干扰焦点
• 对连续型特征，叠加箱线图（plt.boxplot）或小提琴图（seaborn.violinplot），展示该特征在不同预测结果下的分布偏移
• 若特征含业务分组（如“渠道来源”含微信、抖音、线下），用 groupby 先聚合再绘图，比单维度排序更有决策价值

import shap
explainer = shap.TreeExplainer(model)
shap_values = explainer.shap_values(X_test)
shap.summary_plot(shap_values, X_test, feature_names=cn_names, max_display=10, plot_size=(8,6))

实际部署时最容易漏掉的是：没把 shap.Explainer 的计算过程封装进预测 pipeline，导致上线后无法复现解释结果；还有人直接用训练集算 SHAP 值去解释测试样本，造成数据泄露。