Python 3.x 查看单个预测的模型系数

我有一个逻辑回归模型，包含在scikit学习管道中，使用以下方法：

pipeline=make\u pipeline(
StandardScaler（），
逻辑回归(
解算器='lbfgs'，
cv=10，
得分='roc_auc'，
class_weight='balanced'
)
)
管道安装（X_系列、y_系列）
y_pred=管道预测（X_测试）

我可以用这个代码查看整个预测模型的系数

查看模型的系数，看看哪些特性最重要 plt.rcParams['figure.dpi']=50 模型=管道。命名的_步骤['logisticregressioncv'] 系数=pd系列（模型系数[0]，X列） plt.图（figsize=（10,12）） 系数.sort_values（）.plot.barh（color='grey'）； 返回特征及其系数的条形图

---

我想做的是能够看到单个观测的不同输入值如何影响其预测。其想法是能够对样本人群进行预测，并用“低”预测检验群体。。。例如，如果我对10个观察值进行预测，我想看看不同的输入值如何分别影响这10个预测值。

回忆说，我可以通过以下方法实现这一点（但使用

LinearExplainer

而不是

treeeexplainer

）：

#在管道外实例化模型和编码器
#与shap一起使用
模型=RandomForestClassifier（随机_状态=25）
#适合在火车上，在val上得分
模型拟合（X_序列编码，y_序列2）
y_pred_shap=model.predict（X_val_编码）
#获得一个单独的观察来解释。
row=X_test_encoded.iloc[-3]]
#为什么模型预测到了这一点？
#看看Shapley值力图
导入形状
解释者=形状树解释者（模型）
形状值=解释者。形状值（行）
shap.initjs（）
形状力图(
基本\u值=解释者。预期的\u值[1]，
形状值=形状值[1]，
特征=行
)```

@desertnaut因此“我不完全确定这是否可能，这可能会暴露出对这些系数是如何生成的/它们代表什么的误解”。。。谢谢你的澄清！尊敬的谢绝，因为我认为其他人肯定可能对此话题感到困惑，并从提供的解释/澄清中获益。Shap值与模型系数无关。这并不能回答这个问题。“SHAP衡量变量的影响，同时考虑与其他变量的相互作用。Shapley值通过比较模型预测的有无特征来计算特征的重要性。但是，由于模型看到特征的顺序可能会影响其预测，因此会按每个可能的顺序进行，以便公平地比较特征。“这确实是我想要的-我使用了系数作为一个术语，因为这是我以前使用过的，但最终我想了解各种输入对预测的影响我知道形状值是什么，我再说一遍：这不是被问到的问题。我还要再说一遍：我对我原来问题的措辞表示困惑。我想要了解的是，个体观察的不同输入值是如何影响个体预测的。我希望听到关于如何实现这一目标的指导，而不是简单地被告知我试图实现这一目标的方式是不正确的，因为这无助于我解决问题。你是说Shap值不会告诉我个体观察的不同输入值是如何影响个体预测的？