在R中使用Python包（带有“网状结构”）

我试着在这里学习这个教程：

本教程介绍如何使用一种称为“SHAP”的机器学习算法，该算法试图为用户提供一种解释复杂的“黑盒”式算法结果的方法

在本教程之后，我能够完成所有工作——除了最后的“力图”。我已经在底部提供了我正在使用的代码。有人能帮我弄清楚为什么这些力图不起作用吗

library(modeldata)
library(tidymodels)
library(tidyverse)
library(doParallel)
library(probably)
library(gt)

data("credit_data")

data("credit_data")

credit_data <- credit_data %>%
  drop_na()

set.seed(12)

# initial split
split <- initial_split(credit_data, prop = 0.75, strata = "Status")

# train/test sets
train <- training(split)
test <- testing(split)

rec <- recipe(Status ~ ., data = train) %>%
  step_bagimpute(Home, Marital, Job, Income, Assets, Debt) %>%
  step_dummy(Home, Marital, Records, Job, one_hot = T)

# Just some sensible values, not optimised by any means!
mod <- boost_tree(trees = 500,
                  mtry = 6,
                  min_n = 10,
                  tree_depth = 5) %>%
  set_engine("xgboost") %>%
  set_mode("classification")

xgboost_wflow <- workflow() %>%
  add_recipe(rec) %>%
  add_model(mod) %>%
  fit(train)

xg_res <- last_fit(xgboost_wflow,
                   split,
                   metrics = metric_set(roc_auc, pr_auc, accuracy))

preds <- xg_res %>%
  collect_predictions()

xg_res %>%
  collect_metrics()

library(vip)

# Get our model object
xg_mod <- pull_workflow_fit(xgboost_wflow)

vip(xg_mod$fit)

library(fastshap)

# Apply the preprocessing steps with prep and juice to the training data
X <- prep(rec, train) %>%
  juice() %>%
  select(-Status) %>%
  as.matrix()

# Compute shapley values
shap <- explain(xg_mod$fit, X = X, exact = TRUE)

# Create a dataframe of our training data
feat <- prep(rec, train) %>%
  juice()

autoplot(shap,
         type = "dependence",
         feature = "Amount",
         X = feat,
         smooth = TRUE,
         color_by = "Status")

predict(xgboost_wflow, train, type = "prob") %>%
  rownames_to_column("rowid") %>%
  filter(.pred_bad == min(.pred_bad) | .pred_bad == max(.pred_bad)) %>%
  gt()%>%
  fmt_number(columns = 2:3,
             decimals = 3)

library(patchwork)
p1 <- autoplot(shap, type = "contribution", row_num = 1541) +
  ggtitle("Likely bad")

p2 <- autoplot(shap, type = "contribution", row_num = 1806) +
  ggtitle("Likely good")

p1+p2

# here is the error (prior to running this code, I ran "pip install shap" in conda)

force_plot(object = shap[1541,],
           feature_values = X[1541,],
           display = "html",
           link = "logit")

Error in py_call_impl(callable, dots$args, dots$keywords) :
  TypeError: save_html() got an unexpected keyword argument 'plot_html'

库（modeldata）
图书馆（tidymodels）
图书馆（tidyverse）
图书馆（双平行）
图书馆（可能）
图书馆（gt）
数据（“信用数据”）
数据（“信用数据”）
信贷单位数据%
滴_na（）
种子（12）
#初始分割
拆分%
添加_型号（mod）%%>%
装配（列车）
xg_res%
收集度量值（）
图书馆（vip）
#获取我们的模型对象
xg_mod%
选择（-Status）%%>%
as.matrix（）
#计算shapley值
形状%
行名称到列（“行ID”）%>%
过滤器（.pred_bad==min（.pred_bad）|。pred_bad==max（.pred_bad））%>%
gt（）%>%
fmt_编号（列=2:3，
小数=3）
图书馆（拼凑）
p1
force_plot（）
是一种实验性的，只是碰巧起了作用。如果收到错误，请确保已安装相应的
shap
包（及其依赖项）。在任何情况下，您都应该在fastshapGitHub repo:上报告此问题

--BG
@IRTFM:这有用吗？（在谷歌上搜索并点击第一个链接：“harry fisher shap machine learning”“）它确实“有效”，但随后似乎需要更多的“工作”。除了代码顶部的包之外，还有许多其他包丢失了，您没有提供任何代码来帮助这一过程。如果您包含了
的部分（！require（vip））{install.packages（'vip'）；library（vip）}
和其他类似的“深奥”软件包，额外的“工作”可能会更少“为了达到一个共同的起点。我在犯了许多错误后筋疲力尽。你可能想返回并在之前问题的任何提交的答案上添加复选标记。仔细阅读你所有问题两侧的所有0，没有任何迹象表明你对任何人的答案投了赞成票，这给我的印象是，你并没有真正“玩游戏”这是一种认可。