期刊图片复现|Python绘制XGBoost+SHAP 特征贡献与偏依赖组合图

# =========================================================================================# ====================================== 1. 库的导入 =========================================# =========================================================================================import pandas as pdimport numpy as npimport xgboost

# =========================================================================================# ====================================== 2.颜色库 =========================================# =========================================================================================COLOR_SCHEMES = {    1: 'coolwarm',}

# =========================================================================================# ======================================4.绘图函数=======================================# =========================================================================================def plot_shap_analysis(shap_values_obj, X_data, scheme_id, r2_val, mae_val, rmse_val):    scheme = COLOR_SCHEMES[scheme_id]  # 获取配色方案    #判断方案类型    if isinstance(scheme, list):        current_cmap = LinearSegmentedColormap.from_list(f'custom_{scheme_id}', scheme)  #创建自定义渐变色    else:        current_cmap = plt.get_cmap(scheme)  #内置的    #子图编号    fig.text(0.04,  #x             0.95,  #y             "(a)",  #文本             fontsize=18,  #字体大小             fontweight='bold')  #加粗    fig.text(0.85,  #x             0.95  #y             , "(b)",  #文本             fontsize=18,  #字体大小             fontweight='bold')  #加粗

    ax_main = fig.add_subplot(gs[:, :2])  #添加主子图    ax_main.set_yticks(range(len(feature_importance_df)))  #设置y轴刻度    #设置y轴标签    ax_main.set_yticklabels(feature_importance_df['feature'],#文本                            fontsize=16,  #字体大小                            fontweight='bold')  #加粗    bar_colors = current_cmap(np.linspace(0, 1, len(feature_importance_df)))  #条形图颜色    bar_colors[:, 3] = 0.45  #设置透明度    main_title = f"RI SHAP Analysis - Global\n$\\mathbf{{R^2={r2_val:.3f}}}$, $\\mathbf{{MAE={mae_val:.3f}}}$, $\\mathbf{{RMSE={rmse_val:.3f}}}$"    ax_main.set_ylim(-0.5, len(feature_importance_df) - 0.5)  #主轴y范围    ax_top.set_ylim(-0.5, len(feature_importance_df) - 0.5)  #顶轴y范围

    # 提取前8个特征    top_8_features = feature_importance_df['feature'].tail(8).iloc[::-1].tolist(    feature_idx = X_data.columns.get_loc(feature)  #获取索引    x_col_data = X_data[feature]  #x数据    y_col_data = shap_values_obj.values[:, feature_idx]  #y数据    #绘制y=0横线    ax.axhline(0,  #y                   color='darkgray',  #颜色                   linestyle='-',  #线型                   linewidth=2,  #宽                   zorder=1)  #层

        x_span = x_col_data.max() - x_col_data.min()  #x跨度        ax.text(text_x,  #x                y_max - y_span * 0.15,  #y                f"M={m_str}",  #文本                color='black',  #颜色                fontweight='bold',  #加粗                fontsize=12)  #大小        ax.text(text_x,  #x                y_max - y_span * 0.35,  #y                f"T={t_str}",  #文本                color='red',  #颜色                fontweight='bold',  #加粗                fontsize=12)  #大小        #子图标题        ax.set_title(f"({i + 1}) {feature}",  #文本                     loc='left',  #左对齐                     fontsize=14,  #大小                     fontweight='bold',  #加粗                     pad=3)  #间距        #y轴标题        ax.set_ylabel("SHAP value",  #文本                      fontsize=12,  #大小                      fontweight='bold')  #加粗        #设置刻度        ax.tick_params(axis='both',  #轴                       which='major',  #刻度                       labelsize=11)  #标签大小        for spine in ax.spines.values():            spine.set_linewidth(2.5)  #线宽            spine.set_color('black')  #颜色

# =========================================================================================# ======================================6.执行部分 =========================================# =========================================================================================if __name__ == "__main__":    excel_file_path = r'data.xlsx'    df = pd.read_excel(excel_file_path)  #读取数据    target_column = 'GST'  #目标    feature_columns = [col for col in df.columns if col != target_column]  #特征    print(f"训练集评估结果: R2={r2_train:.3f}, MAE={mae_train:.3f}, RMSE={rmse_train:.3f}")    print(f"测试集评估结果: R2={r2_test:.3f}, MAE={mae_test:.3f}, RMSE={rmse_test:.3f}")    explainer = shap.TreeExplainer(model)  #SHAP解释器    shap_values = explainer(X_test)  #测试集SHAP值    plot_shap_analysis(shap_values, X_test,scheme_id, r2_test, mae_test, rmse_test)

excel_file_path = r'data.xlsx'

2.设置目标数据，执行部分：

target_column = 'GST'  #目标

param_grid = {    'n_estimators': [100, 200],    'learning_rate': [0.05, 0.1],    'max_depth': [3, 5],}

4.设置是否进行批量绘图，执行部分：

plot_all = True

plt.savefig(fr'\scheme_{scheme_id}.png', dpi=300,bbox_inches='tight')