往期精彩內容：

單步預測-風速預測模型代碼全家桶-CSDN博客

半天入門！鋰電池剩余壽命預測（Python）-CSDN博客

超強預測模型：二次分解-組合預測-CSDN博客

VMD + CEEMDAN 二次分解，BiLSTM-Attention預測模型-CSDN博客

超強預測算法：XGBoost預測模型-CSDN博客

基于麻雀優化算法SSA的預測模型——代碼全家桶-CSDN博客

VMD + CEEMDAN 二次分解，CNN-Transformer預測模型-CSDN博客

獨家原創 | SCI 1區 高創新預測模型！-CSDN博客

風速預測（八）VMD-CNN-Transformer預測模型-CSDN博客

高創新 | CEEMDAN + SSA-TCN-BiLSTM-Attention預測模型-CSDN博客

VMD + CEEMDAN 二次分解，Transformer-BiGRU預測模型-CSDN博客

獨家原創 | 基于TCN-SENet +BiGRU-GlobalAttention并行預測模型-CSDN博客

VMD + CEEMDAN 二次分解——創新預測模型合集-CSDN博客

獨家原創 | BiTCN-BiGRU-CrossAttention融合時空特征的高創新預測模型-CSDN博客

CEEMDAN +組合預測模型(CNN-Transfromer + XGBoost)-CSDN博客

時空特征融合的BiTCN-Transformer并行預測模型-CSDN博客

獨家首發 | 基于多級注意力機制的并行預測模型-CSDN博客

獨家原創 | CEEMDAN-CNN-GRU-GlobalAttention + XGBoost組合預測-CSDN博客

多步預測系列 | LSTM、CNN、Transformer、TCN、串行、并行模型集合-CSDN博客

獨家原創 | CEEMDAN-Transformer-BiLSTM并行 + XGBoost組合預測-CSDN博客

漲點創新 | 基于 Informer-LSTM的并行預測模型-CSDN博客

獨家原創 | 基于 Informer + TCN-SENet的并行預測模型-CSDN博客

即插即用 | 時間編碼+LSTM+全局注意力-CSDN博客

粉絲福利 | 再添 Seq2Seq 多步預測模型-CSDN博客

暴力漲點！ | 基于 Informer+BiGRU-GlobalAttention的并行預測模型-CSDN博客

熱點創新 | 基于 KANConv-GRU并行的多步預測模型-CSDN博客

重大更新！鋰電池剩余壽命預測新增 CALCE 數據集_calce數據集-CSDN博客

如何利用 LSTM 預測上證指數未來值-CSDN博客

注意：本次教程通過 LSTM 模型針對往期多特征序列預測任務進行 SHAP 可視化分析，根據我們提供的代碼，可以直接遷移到我們往期其他多特征序列預測的模型上！

前言

本文基于前期介紹的電力變壓器（文末附數據集），介紹一種基于 LSTM 預測模型的 SHAP 可視化分析教程。電力變壓器數據集的詳細介紹可以參考下文：

電力變壓器數據集介紹和預處理

數據集是使用.csv形式進行存儲的，包括了除時間列外 “HUFL”, “HULL”, “MUFL”, “MULL”, “LUFL”, “LULL” 和 “OT”7個特征。

1?多特征變量數據集制作與預處理

1.1?導入數據集

取油溫數據 OT 為目標預測值！

1.2?數據集制作

按照 8：2 劃分訓練集，測試集，滑動窗口設置為12

2?基于Pytorch的 LSTM?預測模型

2.1 定義 LSTM 預測模型

2.2 設置參數，訓練模型

注意調整參數：

• 可以修改LSTM層數和每層神經元個數；

• 增加更多的 epoch （注意防止過擬合）

• 可以改變滑動窗口長度（設置合適的窗口長度）

3 模型評估與可視化

3.1 結果可視化

3.2 模型評估

4 SHAP 可視化分析

SHAP 特征重要性-Summary Plot

將 SHAP 值矩陣傳遞給條形圖函數會創建一個全局特征重要性圖，其中每個特征的全局重要性被視為該特征在所有給定樣本中的平均絕對值。

上面使用Summary Plot方法并設置參數plot_type="bar"繪制典型的特征重要性條形圖，而他默認繪制Summary_plot圖，他是結合了特征重要性和特征效果，取代了條形圖。

Summary_plot 為每一個樣本繪制其每個特征的Shapley value，它說明哪些特征最重要，以及它們對數據集的影響范圍。

y 軸上的位置由特征確定，x 軸上的位置由每 Shapley value 確定。顏色表示特征值（紅色高，藍色低），顏色使我們能夠匹配特征值的變化如何影響風險的變化。重疊點在 y 軸方向抖動，因此我們可以了解每個特征的 Shapley value分布，并且這些特征是根據它們的重要性排序的。

5 SHAP 可視化分析 更新范圍

該模型已經在如下四個全家桶，和部分高創新模型里面更新，請購買過的同學及時更新下載：

（1）?獨家原創 | SCI 1區 高創新預測模型

基于交叉注意力融合時空特征的TCN-Transformer并行預測模型

（2）?獨家原創 | 基于TCN-SENet +BiGRU-GlobalAttention并行預測模型

TCN-SENet ?+BiGRU-GlobalAttention并行預測模型

（3）?基于多級注意力機制的并行預測模型

獨家首發 ?| 基于多級注意力機制的并行預測模型

（4）單步預測全家桶

最強更新 | 一次擁有，全面掌握 Python 時間序列預測

（5）多步預測全家桶

熱點創新 | 基于 KANConv-GRU并行的多步預測模型

（6）麻雀優化算法—創新預測模型全家桶

基于 Python 優化算法的創新預測模型

（7）二次分解——創新模型預測全家桶

VMD + CEEMDAN 二次分解，TCN-Transformer并行預測模型

6 代碼、數據整理如下：

點擊下方卡片獲取代碼！

?????