# 理解實驗訓練中的 SHAP 重要性

SHAP importance 提供關於實驗中建立之預測的重要深入資訊。這可以協助您理解哪些特徵對預測最重要。

考慮到該列的所有其他特徵，SHAP 值代表每個特徵對目標預測值的貢獻程度。

訓練實驗版本後，選取模型。表格之下的模型索引標籤中的 SHAP 重要性圖表可從根據鑑效組 (測試) 資料建立的模型預測來視覺化 SHAP 資料。

SHAP 重要性可用於追蹤的實驗類型：

* 二元分類

* 多類別分類

* 迴歸

此說明主題聚焦於實驗訓練中的 SHAP 重要性。如需關於預測期間產生的 SHAP 重要性資料集的資訊，請參閱 [在預測期間產生 SHAP 資料集](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/prediction-shap.htm)。

## 概述

SHAP importance 以列層級衡量。這代表特徵如何影響單一列的預測 (相對於該列中的其他特徵以及資料集中的平均結果)。值具有兩種方向和重要性，但對於模型訓練，會以絕對值形式呈現 SHAP 重要性。

在 SHAP importance 圖表中，彙總了列層級值。這可讓您理解資料子集內的特徵影響。

## 二進位分類和迴歸實驗

在二進位分類或迴歸實驗中，每個模型版本的 SHAP importance 圖表是顯示實驗中每個特徵之平均絕對 SHAP 值的長條圖。SHAP importance 從最高至最低值排序。圖表指示哪些特徵對目標的預測結果有最大和最小的影響，無論判定的結果是什麼。

訓練二進位分類模型時顯示的 SHAP importance 圖表

訓練二進位分類模型時顯示的 SHAP importance 圖表

訓練二進位分類模型時顯示的 SHAP importance 圖表 ![](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Resources/Images/automl-shap-importance-pane.png)

## 多類別分類實驗

在多類別分類實驗中，有多個呈現 SHAP importance 圖表的選項。有下列選項：

* 以整體呈現的特徵 SHAP

* 依分類分隔的特徵 SHAP 值

* 單一分類 SHAP importance 圖表

### 以整體呈現的特徵 SHAP

依照預設，將會透過所有分類：平均特徵 SHAP 設定來設定 SHAP 重要性圖表。

此設定顯示每個特徵的 SHAP importance，無論目標的預測結果是什麼。圖表中的特徵依整體平均絕對 SHAP 值排序，不是依分類分隔。

### 依分類分隔的特徵 SHAP 值

若要顯示每個特徵對目標結果 (實驗中每個分類的值) 的影響程度，選取依分類的特徵 SHAP 設定。設定可以設定為分組或堆疊。實驗中每個分類的平均絕對 SHAP 值以不同的顏色呈現，以便依分類比較。

例如，假設實驗中的目標欄位有四個可能分類，或結果 (紫色方案、綠色方案、藍色方案或紅色方案)。每個特徵的多色長條將會針對這四個可能的實驗結果，分解該特徵對每個可能實驗結果的影響程度。若您查看長條總長，將會看見該特徵對目標預測的整體影響，無論預測結果如何都是如此。

多類別分類模型的 SHAP importance 圖表 (依分類的特徵 SHAP 選項)

多類別分類模型的 SHAP importance 圖表 (依分類的特徵 SHAP 選項)

多類別分類模型的 SHAP importance 圖表 (依分類的特徵 SHAP依分類的特徵 SHAP 選項) ![](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Resources/Images/automl-shap-importance-multiclass.png)

### 單一分類 SHAP importance 圖表

您也可以選擇檢視每個可能的目標預測結果的 SHAP importance 圖表。會呈現單一分類預測結果的平均絕對 SHAP 值。

例如，若實驗的目標有四個可能的結果，您可以檢視四個獨立的圖表，針對產生每個可能結果的預測分解最具影響力的特徵。

## SHAP 值計算

會為各種演算法計算 SHAP 值。將使用兩個相異的方法來計算 SHAP 重要性：

* 樹狀 SHAP：快速且確切的方法，用來預估樹狀模型的 SHAP 值

* 線性 SHAP：用來運算線性模型 SHAP 值的方法

依模型類型和 SHAP 計算方法的可用演算法

| 演算法 | 支援的模型類型 | SHAP 計算方法 |
| --- | --- | --- |
| 隨機樹系分類 | 二進位分類、多類別分類 | 樹狀 SHAP |
| XGBoost 分類 | 二進位分類、多類別分類 | 樹狀 SHAP |
| LightGBM 分類 | 二進位分類、多類別分類 | 樹狀 SHAP |
| CatBoost 分類 | 二進位分類、多類別分類 | 樹狀 SHAP |
| 邏輯迴歸 | 二進位分類、多類別分類 | 線性 SHAP |
| 套索迴歸 | 二進位分類、多類別分類 | 線性 SHAP |
| 彈性網迴歸 | 二進位分類、多類別分類 | 線性 SHAP |
| 高斯貝氏機率分類 | 二進位分類、多類別分類 | SHAP 未計算 |
| CatBoost 迴歸 | 迴歸 | 樹狀 SHAP |
| LightGBM 迴歸 | 迴歸 | 樹狀 SHAP |
| 線性迴歸 | 迴歸 | 線性 SHAP |
| 隨機樹系迴歸 | 迴歸 | 樹狀 SHAP |
| SGD 迴歸 | 迴歸 | 線性 SHAP |
| XGBoost 迴歸 | 迴歸 | 樹狀 SHAP |

## 關鍵驅動因素分析

您可以直接在 Qlik Sense 應用程式中建立關鍵驅動因素分析，以便在為特定業務或績效指標判定觀察到的資料時，比較特定因素的重要性。關鍵驅動因素分析的運作方式是針對每個考量的因素，在列層級計算 SHAP 值，並以彙總形式顯示。這可讓您在高層級檢視應用程式資料中驅動趨勢和行為的內容。您可以使用關鍵驅動因素分析的結果，以提升組織的資料素養，並做出資訊更充分、更有效的決策。

如需詳細資訊，請參閱[使用關鍵驅動因素分析發掘資料背後的關鍵影響因素](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/KeyDrivers/introduction-key-driver-analysis.htm)。