如何对应用了 PCA 的数据集使用 shap_value 解释器

Question

df = pd.read_csv("data.csv")
pca = PCA(n_components=2)
df_2d = pca.fit_transform(df)

clusterer = hdbscan.HDBSCAN(min_cluster_size=1000)
clusterer.fit(df_2d)

clf = LGBMClassifier()
clf.fit(df_2d, clusterer.labels_) ###

explainer = shap.TreeExplainer(clf)
shap_values = explainer.shap_values(df_2d) ###
shap.summary_plot(shap_values, df_2d, plot_type="bar", plot_size=(15, 10)) ###

这是我的代码。它运行完美，但它返回一个带有“Feature 1”和“Feature 2”的摘要图。这完全有道理，因为我给了它一个仅包含 2 列的数据集。 但是我的问题是，我怎么能让它解释基于原始数据的决策树的决策？

我已经尝试过这个代码，它运行没有错误，但我不确定我是否正确使用它。 （不同的是我在分类器和shap中把所有的df_2d都改成了原来的df）

df = pd.read_csv("data.csv")
pca = PCA(n_components=2)
df_2d = pca.fit_transform(df)

clusterer = hdbscan.HDBSCAN(min_cluster_size=1000)
clusterer.fit(df_2d)

clf = LGBMClassifier()
clf.fit(df, clusterer.labels_) ###

explainer = shap.TreeExplainer(clf)
shap_values = explainer.shap_values(df) ###
shap.summary_plot(shap_values, df, plot_type="bar", plot_size=(15, 10)) ###

感谢您的时间和帮助！