下面我將使用 R 語言內置的 mtcars 數據集，模擬一個完整的 XGBoost 回歸建模 + SHAP 可解釋性分析 實戰流程。我們將以預測汽車的油耗（mpg）為目標變量，構建 XGBoost 模型，并用 SHAP 來解釋模型輸出。

---

🚗 示例：使用 XGBoost 和 SHAP 解釋 mtcars 油耗預測模型

---

📦 步驟 1：加載所需 R 包

# 如果尚未安裝，請取消注釋以下行安裝
# install.packages(c("xgboost", "SHAPforxgboost", "data.table", "ggplot2"))library(xgboost)
library(SHAPforxgboost)
library(data.table)
library(ggplot2)

---

🔍 步驟 2：準備數據

# 使用 mtcars 數據集
data(mtcars)# 將數據轉換為 matrix 格式
data_matrix <- as.matrix(mtcars[, -1])  # 去除 mpg 列作為特征
labels <- mtcars$mpg                   # mpg 作為目標變量# 轉為 xgboost DMatrix 格式
dtrain <- xgb.DMatrix(data = data_matrix, label = labels)

---

🧠 步驟 3：訓練 XGBoost 回歸模型

# 設置參數
params <- list(objective = "reg:squarederror", eval_metric = "rmse",eta = 0.1,max_depth = 3
)# 訓練模型
xgb_model <- xgb.train(params = params,data = dtrain,nrounds = 100,verbose = 0
)

---

📊 步驟 4：SHAP 解釋變量重要性

# 計算 SHAP 值
shap_values <- shap.values(xgb_model = xgb_model, X_train = data_matrix)
shap_long <- shap.prep(shap_contrib = shap_values$shap_score, X_train = data_matrix)# 可視化 SHAP 值
shap.plot.summary(shap_long)

這將繪制出各變量對預測油耗的貢獻，顏色表示變量的取值大小，非常直觀👇

---

?

🔥 SHAP 分析解讀（示意）

• wt（重量） 對 mpg 的負向影響最顯著，越重油耗越高（mpg 越低）。

• hp（馬力） 也是一個重要負相關特征。

• cyl（氣缸數） 的影響次之。

---

? 小結

本示例中，我們用 mtcars 構建了一個 XGBoost 回歸模型，并通過 SHAPforxgboost 包對模型進行可解釋性分析：

步驟	內容
數據準備	使用內置數據集并轉換格式
模型訓練	設置參數并訓練
SHAP 分析	計算貢獻值并可視化

---