第二十一讲 XGBoost 回归建模 + SHAP 可解释性分析（利用R语言内置数据集）

下面我将使用 R 语言内置的 mtcars 数据集，模拟一个完整的 XGBoost 回归建模 + SHAP 可解释性分析 实战流程。我们将以预测汽车的油耗（mpg）为目标变量，构建 XGBoost 模型，并用 SHAP 来解释模型输出。

🚗 示例：使用 XGBoost 和 SHAP 解释 mtcars 油耗预测模型

📦 步骤 1：加载所需 R 包

# 如果尚未安装，请取消注释以下行安装
# install.packages(c("xgboost", "SHAPforxgboost", "data.table", "ggplot2"))

library(xgboost)
library(SHAPforxgboost)
library(data.table)
library(ggplot2)

🔍 步骤 2：准备数据

# 使用 mtcars 数据集
data(mtcars)

# 将数据转换为 matrix 格式
data_matrix <- as.matrix(mtcars[, -1])  # 去除 mpg 列作为特征
labels <- mtcars$mpg                   # mpg 作为目标变量

# 转为 xgboost DMatrix 格式
dtrain <- xgb.DMatrix(data = data_matrix, label = labels)

🧠 步骤 3：训练 XGBoost 回归模型

# 设置参数
params <- list(
  objective = "reg:squarederror", 
  eval_metric = "rmse",
  eta = 0.1,
  max_depth = 3
)

# 训练模型
xgb_model <- xgb.train(
  params = params,
  data = dtrain,
  nrounds = 100,
  verbose = 0
)

📊 步骤 4：SHAP 解释变量重要性

# 计算 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)

# 可视化 SHAP 值
shap.plot.summary(shap_long)

这将绘制出各变量对预测油耗的贡献，颜色表示变量的取值大小，非常直观👇

🔥 SHAP 分析解读（示意）

• wt（重量） 对 mpg 的负向影响最显著，越重油耗越高（mpg 越低）。

• hp（马力） 也是一个重要负相关特征。

• cyl（气缸数） 的影响次之。

✅ 小结

本示例中，我们用 mtcars 构建了一个 XGBoost 回归模型，并通过 SHAPforxgboost 包对模型进行可解释性分析：