我正在尝试使用LIME来解释我使用XGboost训练的二进制分类模型。从LIME调用explain()
函数时遇到错误,这意味着我的模型(或解释器)中的列与我要解释的新数据不匹配。
此LIME的vignette确实演示了带有xgboost的版本,但是它是一个文本问题,与我的表格数据有些不同。这个question似乎遇到了相同的错误,但是对于文档术语矩阵,似乎也掩盖了我的情况。我已经用mtcars
处理了一个最小的示例,该示例产生的误差与我自己更大的数据集中的误差完全相同。
library(pacman)
p_load(tidyverse)
p_load(xgboost)
p_load(Matrix)
p_load(lime)
### Prepare data with partition
df <- mtcars %>% rownames_to_column()
length <- df %>% nrow()
df_train <- df %>% select(-rowname) %>% head((length-10))
df_test <- df %>% select(-rowname) %>% tail(10)
### Transform data into matrix objects for XGboost
train <- list(sparse.model.matrix(~., data = df_train %>% select(-vs)), (df_train$vs %>% as.factor()))
names(train) <- c("data", "label")
test <- list(sparse.model.matrix(~., data = df_test %>% select(-vs)), (df_test$vs %>% as.factor()))
names(test) <- c("data", "label")
dtrain <- xgb.DMatrix(data = train$data, label=train$label)
dtest <- xgb.DMatrix(data = test$data, label=test$label)
### Train model
watchlist <- list(train=dtrain, test=dtest)
mod_xgb_tree <- xgb.train(data = dtrain, booster = "gbtree", eta = .1, nrounds = 15, watchlist = watchlist)
### Check prediction works
output <- predict(mod_xgb_tree, test$data) %>% tibble()
### attempt lime explanation
explainer <- df_train %>% select(-vs) %>% lime(model = mod_xgb_tree) ### works, no error or warning
explanation <- df_test %>% select(-vs) %>% explain(explainer, n_features = 4) ### error, Features stored names in `object` and `newdata` are different!
names_test <- test$data@Dimnames[[2]] ### 10 names
names_mod <- mod_xgb_tree$feature_names ### 11 names
names_explainer <- explainer$feature_type %>% enframe() %>% pull(name) ### 11 names
### see whether pre-processing helps
my_preprocess <- function(df){
data <- df %>% select(-vs)
label <- df$vs
test <<- list(sparse.model.matrix( ~ ., data = data), label)
names(test) <<- c("data", "label")
dtest <- xgb.DMatrix(data = test$data, label=test$label)
dtest
}
explanation <- df_test %>% explain(explainer, preprocess = my_preprocess(), n_features = 4) ### Error in feature_distribution[[i]] : subscript out of bounds
### check that the preprocessing is working ok
dtest_check <- df_test %>% my_preprocess()
output_check <- predict(mod_xgb_tree, dtest_check)
我假设因为explainer
仅具有原始预测变量列的名称,而处于转换状态的测试数据也具有(Intercept)
列,因此引起了问题。我只是还没有想出一种防止这种情况发生的好方法。任何帮助将非常感激。我认为必须有一个整洁的解决方案。
答案 0 :(得分:0)
如果您查看此页面(https://rdrr.io/cran/xgboost/src/R/xgb.Booster.R),您会发现某些R用户可能会收到以下错误消息:“存储在object
和newdata
中的功能名称是不同!”。
以下是此页面中与错误消息相关的代码:
predict.xgb.Booster <- function(object, newdata, missing = NA, outputmargin = FALSE, ntreelimit = NULL,predleaf = FALSE, predcontrib = FALSE, approxcontrib = FALSE, predinteraction = FALSE,reshape = FALSE, ...)
object <- xgb.Booster.complete(object, saveraw = FALSE)
if (!inherits(newdata, "xgb.DMatrix"))
newdata <- xgb.DMatrix(newdata, missing = missing)
if (!is.null(object[["feature_names"]]) &&
!is.null(colnames(newdata)) &&
!identical(object[["feature_names"]], colnames(newdata)))
stop("Feature names stored in `object` and `newdata` are different!")
identical(object[["feature_names"]], colnames(newdata))
=>如果object
的列名(即基于训练集的模型)与newdata
的列名(即测试集)不同,您将收到错误消息。
有关更多详细信息:
train_matrix <- xgb.DMatrix(as.matrix(training %>% select(-target)), label = training$target, missing = NaN)
object <- xgb.train(data=train_matrix, params=..., nthread=2, nrounds=..., prediction = T)
newdata <- xgb.DMatrix(as.matrix(test %>% select(-target)), missing = NaN)
借助上面的代码,您自己object
和newdata
设置数据时,可以通过查看object[["feature_names"]]
和colnames(newdata)
之间的差异来解决此问题。可能有些列的排列顺序或顺序不同。
答案 1 :(得分:0)
在新的数据集中尝试一下,
colnames(test)<- make.names(colnames(test))
newdataset<- test %>% mutate_all(as.numeric)
newdataset<- as.matrix(newdataset)
nwtest<-xgb.DMatrix(newdataset)
答案 2 :(得分:0)
为防止显示(Intercept)列,在为测试数据创建稀疏矩阵时,需要稍微更改代码。 更改行:
get = dict(request.GET)
post = dict(request.POST)
至:
test <- list(sparse.model.matrix( ~ ., data = data), label)
希望这会有所帮助
答案 3 :(得分:0)
我遇到了同样的问题,但各列不是按字母顺序排列的。为了解决这个问题,我将df_test中的列名顺序与df_train进行了匹配,以使列名的顺序相同。
以与df_train相同的顺序创建df_test列号的列表:
idx<- match(colnames(df_train), colnames(df_test))
使用此列顺序创建新的df_test文件:
df_test_match <- df_test[,idx]