Task7: LIME&shap algorithm

基于shapley值的機(jī)器學(xué)習(xí)可解釋性分析

shapley值:當(dāng)多人聯(lián)盟博弈時(shí)应媚,某人加入組織,對(duì)最終博弈決策帶來(lái)的邊際貢獻(xiàn)某一個(gè)特征引入時(shí),對(duì)模型預(yù)測(cè)結(jié)果帶來(lái)的邊際影響(特征重要度)

在機(jī)器學(xué)習(xí)中照卦,shapley值反映特定樣本的特征重要度

SHAP:SHapley Additive explanation (SHapley Additive explanation)是一種解釋任何機(jī)器學(xué)習(xí)模型輸出的博弈論方法

pip install shap
or
conda install -c conda-forge shap

LIME可解釋性分析

pip install lime scikit-learn numpy pandas matplotlib pillow

import os
# 存放測(cè)試圖片
os.mkdir('test_img')

# 存放模型權(quán)重文件
os.mkdir('checkpoint')

# 下載樣例模型文件
!wget https://zihao-openmmlab.obs.cn-east-3.myhuaweicloud.com/20220716-mmclassification/checkpoints/fruit30_pytorch_20220814.pth -P checkpoint

# 下載 類別名稱 和 ID索引號(hào) 的映射字典
!wget https://zihao-openmmlab.obs.cn-east-3.myhuaweicloud.com/20220716-mmclassification/dataset/fruit30/labels_to_idx.npy
!wget https://zihao-openmmlab.obs.cn-east-3.myhuaweicloud.com/20220716-mmclassification/dataset/fruit30/idx_to_labels.npy

!wget https://zihao-openmmlab.obs.cn-east-3.myhuaweicloud.com/20220716-mmclassification/test/cat_dog.jpg -P test_img

!wget https://zihao-openmmlab.obs.myhuaweicloud.com/20220716-mmclassification/test/0818/test_fruits.jpg -P test_img

!wget https://zihao-openmmlab.obs.myhuaweicloud.com/20220716-mmclassification/test/0818/test_orange_2.jpg -P test_img 

!wget https://zihao-openmmlab.obs.myhuaweicloud.com/20220716-mmclassification/test/0818/test_bananan.jpg -P test_img

!wget https://zihao-openmmlab.obs.myhuaweicloud.com/20220716-mmclassification/test/0818/test_kiwi.jpg -P test_img

# 草莓圖像,來(lái)源:https://www.pexels.com/zh-cn/photo/4828489/
!wget https://zihao-openmmlab.obs.cn-east-3.myhuaweicloud.com/20220716-mmclassification/test/0818/test_草莓.jpg -P test_img

!wget https://zihao-openmmlab.obs.myhuaweicloud.com/20220716-mmclassification/test/0818/test_石榴.jpg -P test_img

!wget https://zihao-openmmlab.obs.myhuaweicloud.com/20220716-mmclassification/test/0818/test_orange.jpg -P test_img

!wget https://zihao-openmmlab.obs.myhuaweicloud.com/20220716-mmclassification/test/0818/test_lemon.jpg -P test_img

!wget https://zihao-openmmlab.obs.myhuaweicloud.com/20220716-mmclassification/test/0818/test_火龍果.jpg -P test_img

!wget https://zihao-openmmlab.obs.cn-east-3.myhuaweicloud.com/20220716-mmclassification/test/watermelon1.jpg -P test_img

!wget https://zihao-openmmlab.obs.cn-east-3.myhuaweicloud.com/20220716-mmclassification/test/banana1.jpg -P test_img

import lime
import sklearn

import numpy as np
import pandas as pd

import lime
from lime import lime_tabular
#載入數(shù)據(jù)集
df = pd.read_csv('wine.csv')

df.shape
df

#劃分訓(xùn)練集和測(cè)試集
from sklearn.model_selection import train_test_split

X = df.drop('quality', axis=1)
y = df['quality']

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

X_train.shape
X_test.shape
y_train.shape
y_test.shape
#訓(xùn)練模型
from sklearn.ensemble import RandomForestClassifier

model = RandomForestClassifier(random_state=42)
model.fit(X_train, y_train)

#評(píng)估模型
score = model.score(X_test, y_test)
score
explainer = lime_tabular.LimeTabularExplainer(
    training_data=np.array(X_train), # 訓(xùn)練集特征乡摹,必須是 numpy 的 Array
    feature_names=X_train.columns, # 特征列名
    class_names=['bad', 'good'], # 預(yù)測(cè)類別名稱
    mode='classification' # 分類模式
)
idx = 3

data_test = np.array(X_test.iloc[idx]).reshape(1, -1)
prediction = model.predict(data_test)[0]
y_true = np.array(y_test)[idx]
print('測(cè)試集中的 {} 號(hào)樣本, 模型預(yù)測(cè)為 {}, 真實(shí)類別為 {}'.format(idx, prediction, y_true))

exp = explainer.explain_instance(
    data_row=X_test.iloc[idx], 
    predict_fn=model.predict_proba
)

exp.show_in_notebook(show_table=True)

對(duì)Pytorch的ImageNet預(yù)訓(xùn)練圖像分類模型役耕,運(yùn)行LIME可解釋性分析:可視化某個(gè)輸入圖像,某個(gè)圖塊區(qū)域聪廉,對(duì)模型預(yù)測(cè)為某個(gè)類別的貢獻(xiàn)影響

import matplotlib.pyplot as plt
from PIL import Image
import torch.nn as nn
import numpy as np
import os, json

import torch
from torchvision import models, transforms
from torch.autograd import Variable
import torch.nn.functional as F

# 有 GPU 就用 GPU瞬痘,沒有就用 CPU
device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')
print('device', device)

#載入測(cè)試圖片
img_path = 'test_img/cat_dog.jpg'
img_pil=Image.open(img_path)
img_pil
#載入模型
model = models.inception_v3(pretrained=True).eval().to(device)

idx2label, cls2label, cls2idx = [], {}, {}
with open(os.path.abspath('imagenet_class_index.json'), 'r') as read_file:
    class_idx = json.load(read_file)
    idx2label = [class_idx[str(k)][1] for k in range(len(class_idx))]
    cls2label = {class_idx[str(k)][0]: class_idx[str(k)][1] for k in range(len(class_idx))}
    cls2idx = {class_idx[str(k)][0]: k for k in range(len(class_idx))} 

#圖像預(yù)處理
trans_norm = transforms.Normalize(mean=[0.485, 0.456, 0.406],
                                  std=[0.229, 0.224, 0.225])

trans_A = transforms.Compose([
    transforms.Resize((256, 256)),
    transforms.CenterCrop(224),
    transforms.ToTensor(),
    trans_norm
    ])

trans_B = transforms.Compose([
        transforms.ToTensor(),
        trans_norm
    ])

trans_C = transforms.Compose([
    transforms.Resize((256, 256)),
    transforms.CenterCrop(224)
])

#圖像分類預(yù)測(cè)
input_tensor = trans_A(img_pil).unsqueeze(0).to(device)
pred_logits = model(input_tensor)
pred_softmax = F.softmax(pred_logits, dim=1)
top_n = pred_softmax.topk(5)

top_n

#定義分類預(yù)測(cè)函數(shù)
def batch_predict(images):
    batch = torch.stack(tuple(trans_B(i) for i in images), dim=0)
    batch = batch.to(device)
    
    logits = model(batch)
    probs = F.softmax(logits, dim=1)
    return probs.detach().cpu().numpy()

test_pred = batch_predict([trans_C(img_pil)])
test_pred.squeeze().argmax()

#可解釋性分析
from lime import lime_image

explainer = lime_image.LimeImageExplainer()
explanation = explainer.explain_instance(np.array(trans_C(img_pil)), 
                                         batch_predict, # 分類預(yù)測(cè)函數(shù)
                                         top_labels=5, 
                                         hide_color=0, 
                                         num_samples=8000) # LIME生成的鄰域圖像個(gè)數(shù)

explanation.top_labels[0]
#可視化
from skimage.segmentation import mark_boundaries

temp, mask = explanation.get_image_and_mask(explanation.top_labels[0], positive_only=False, num_features=20, hide_rest=False)
img_boundry = mark_boundaries(temp/255.0, mask)
plt.imshow(img_boundry)
plt.show()
#修改可視化參數(shù)
temp, mask = explanation.get_image_and_mask(281, positive_only=False, num_features=20, hide_rest=False)
img_boundry = mark_boundaries(temp/255.0, mask)
plt.imshow(img_boundry)
plt.show()
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個(gè)濱河市锄列,隨后出現(xiàn)的幾起案子图云,更是在濱河造成了極大的恐慌惯悠,老刑警劉巖邻邮,帶你破解...
    沈念sama閱讀 222,946評(píng)論 6 518
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場(chǎng)離奇詭異克婶,居然都是意外死亡筒严,警方通過(guò)查閱死者的電腦和手機(jī),發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 95,336評(píng)論 3 399
  • 文/潘曉璐 我一進(jìn)店門情萤,熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái)鸭蛙,“玉大人,你說(shuō)我怎么就攤上這事筋岛∪⑹樱” “怎么了?”我有些...
    開封第一講書人閱讀 169,716評(píng)論 0 364
  • 文/不壞的土叔 我叫張陵睁宰,是天一觀的道長(zhǎng)肪获。 經(jīng)常有香客問(wèn)我,道長(zhǎng)柒傻,這世上最難降的妖魔是什么孝赫? 我笑而不...
    開封第一講書人閱讀 60,222評(píng)論 1 300
  • 正文 為了忘掉前任,我火速辦了婚禮红符,結(jié)果婚禮上青柄,老公的妹妹穿的比我還像新娘伐债。我一直安慰自己,他們只是感情好致开,可當(dāng)我...
    茶點(diǎn)故事閱讀 69,223評(píng)論 6 398
  • 文/花漫 我一把揭開白布峰锁。 她就那樣靜靜地躺著,像睡著了一般双戳。 火紅的嫁衣襯著肌膚如雪祖今。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 52,807評(píng)論 1 314
  • 那天拣技,我揣著相機(jī)與錄音千诬,去河邊找鬼。 笑死膏斤,一個(gè)胖子當(dāng)著我的面吹牛徐绑,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播莫辨,決...
    沈念sama閱讀 41,235評(píng)論 3 424
  • 文/蒼蘭香墨 我猛地睜開眼傲茄,長(zhǎng)吁一口氣:“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼!你這毒婦竟也來(lái)了沮榜?” 一聲冷哼從身側(cè)響起盘榨,我...
    開封第一講書人閱讀 40,189評(píng)論 0 277
  • 序言:老撾萬(wàn)榮一對(duì)情侶失蹤,失蹤者是張志新(化名)和其女友劉穎蟆融,沒想到半個(gè)月后草巡,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 46,712評(píng)論 1 320
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡型酥,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 38,775評(píng)論 3 343
  • 正文 我和宋清朗相戀三年山憨,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片弥喉。...
    茶點(diǎn)故事閱讀 40,926評(píng)論 1 353
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡郁竟,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出由境,到底是詐尸還是另有隱情棚亩,我是刑警寧澤,帶...
    沈念sama閱讀 36,580評(píng)論 5 351
  • 正文 年R本政府宣布虏杰,位于F島的核電站讥蟆,受9級(jí)特大地震影響,放射性物質(zhì)發(fā)生泄漏嘹屯。R本人自食惡果不足惜攻询,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 42,259評(píng)論 3 336
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望州弟。 院中可真熱鬧钧栖,春花似錦低零、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 32,750評(píng)論 0 25
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽(yáng)。三九已至潭陪,卻和暖如春雄妥,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背依溯。 一陣腳步聲響...
    開封第一講書人閱讀 33,867評(píng)論 1 274
  • 我被黑心中介騙來(lái)泰國(guó)打工老厌, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留歹垫,地道東北人羹与。 一個(gè)月前我還...
    沈念sama閱讀 49,368評(píng)論 3 379
  • 正文 我出身青樓励两,卻偏偏與公主長(zhǎng)得像陶耍,于是被迫代替她去往敵國(guó)和親。 傳聞我的和親對(duì)象是個(gè)殘疾皇子筐骇,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 45,930評(píng)論 2 361

推薦閱讀更多精彩內(nèi)容