目錄

K最近鄰(KNN) - 基于距離的模型

決策邊界可視化

 查看特定樣本的最近鄰

?隨機森林(RF) - 樹模型

feature_importances_

SHAP值分析

可視化單棵樹

多層感知器(MLP) - 神經網絡

部分依賴圖

LIME解釋器

權重可視化

支持向量回歸(SVR) - 核方法

支持向量可視化

部分依賴圖

決策邊界可視化（對于分類問題）

通用解釋方法（適用于所有模型）

Permutation Importance

全局代理模型

Anchor解釋法

可視化工具推薦

總結建議

---

針對不同類型的機器學習模型，我們需要使用不同的可解釋性技術。以下是不同模型類型的可解釋性分析方法

K最近鄰(KNN) - 基于距離的模型

• 決策邊界可視化

## KNN-基于距離的模型
# 1. 決策邊界可視化import numpy as np
import matplotlib.pyplot as plt
from sklearn.neighbors import KNeighborsClassifier
from sklearn.datasets import load_iris
from sklearn.inspection import DecisionBoundaryDisplay# 加載數據
iris = load_iris()
X = iris.data[:, :2]
y = iris.target# 訓練模型
knn = KNeighborsClassifier(n_neighbors=5)
knn.fit(X, y)disp = DecisionBoundaryDisplay.from_estimator(knn, X, response_method="predict",alpha=0.5, grid_resolution=200,xlabel=iris.feature_names[0], ylabel=iris.feature_names[1],
)
disp.ax_.scatter(X[:, 0], X[:, 1], c=y, edgecolor="k")
plt.title("KNN Decision Boundaries")
plt.show()

•  查看特定樣本的最近鄰

# 2. 查看特定樣本的最近鄰import numpy as np
import matplotlib.pyplot as plt
from sklearn.neighbors import KNeighborsClassifier
from sklearn.datasets import load_iris
from sklearn.inspection import DecisionBoundaryDisplay# 加載數據
iris = load_iris()
X = iris.data[:, :2]
y = iris.target# 訓練模型
knn = KNeighborsClassifier(n_neighbors=5)
knn.fit(X, y)sample_idx = 10
distances, indices = knn.kneighbors(X[sample_idx].reshape(1, -1))
print(f"最近鄰索引: {indices}")
print(f"距離: {distances}")
# 最近鄰索引: [[10 48  5 16 36]]
# 距離: [[0.        0.1       0.2       0.2       0.2236068]]# 可視化最近鄰
plt.scatter(X[:, 0], X[:, 1], c=y, alpha=0.3, label="All points")
plt.scatter(X[sample_idx, 0], X[sample_idx, 1], c='red', s=100, label="Query point")
plt.scatter(X[indices[0], 0], X[indices[0], 1], c='blue', s=50, label="Neighbors")
plt.legend()
plt.title(f"KNN Neighbors (k={knn.n_neighbors})")
plt.show()

隨機森林(RF) - 樹模型

• feature_importances_

## RF-樹模型
from sklearn.ensemble import RandomForestClassifier
import shap
from sklearn.datasets import load_iris
from sklearn.tree import plot_tree
import matplotlib.pyplot as pltiris = load_iris()
X = iris.data
y = iris.target# 訓練模型
rf = RandomForestClassifier(n_estimators=100, random_state=42)
rf.fit(X, y)# 1. 特征重要性
importances = rf.feature_importances_
plt.barh(iris.feature_names, importances)
plt.title("Random Forest Feature Importance")
plt.tight_layout()
plt.show()

• SHAP值分析

# 2. SHAP值分析
explainer = shap.TreeExplainer(rf)
shap_values = explainer.shap_values(X[:100])  # 計算前100個樣本的SHAP值shap.summary_plot(sh