绝美可解释分析图！|贝叶斯优化+XGBoost+SHAP+PDP绘图可视化|替换数据直接用

摘要LLM 归库摘要

核心内容： 这是一篇围绕“贝叶斯优化 + XGBoost + SHAP + PDP”科研可解释性绘图的微信公众号教程型剪藏，主打替换数据集即可套用。

适用场景： 回归/分类模型建模后，需要展示超参数寻优过程、模型预测效果、SHAP 解释图和 PDP 局部依赖图时可参考。

输入： 示例中使用 Excel 表格数据（如 BostonHousing1.xlsx），经缺失值处理、随机打乱、训练/验证/测试集划分和标准化后进入 XGBoost。

输出： 贝叶斯寻优曲线、预测拟合图、SHAP 相关解释图、PDP 分析图，以及统一色系的可视化结果。

关键参数/步骤： 重点包括训练/验证/测试比例、max_depth、learning_rate、reg_lambda、subsample、n_estimators、early stopping、RMSE 优化目标与正负 SHAP 配色。

常见错误： 微信剪藏导致代码行被压缩，复现前需重新整理换行；还需确认 split_data 等自定义函数、XGBoost 版本、early_stopping_rounds 参数兼容性和数据标准化是否泄漏测试集信息。

与口腔生信连接： 可用于口腔鳞癌、牙周炎或微生物组相关机器学习模型的可解释性展示，例如诊断模型、预后模型或关键特征解释图。

关联页面建议： 可后续整合到 03 生信教程与工具库/02_wiki/workflows/机器学习可解释性分析流程或可视化/机器学习工具页。

归库说明： 分类到 03 生信教程与工具库，置信度 0.88；已标记为“暂未试用”，后续复现时建议先整理 notebook 并替换为自己的生信数据集。

Coco 2026年6月2日 15:18

点击上方

蓝字

关注我们

最近在网上看到一些SHAP相关绘图，也太好看了，现在SHAP绘图都进化到这个地步了嘛，所以尝试来复现一下，复现效果展示如下：

顶刊直接预定！|超绝贝叶斯优化+CatBoost+SHAP+PDP绘图可视化|替换数据直接用

之前给大家展示了贝叶斯优化CatBoost，这期的案例是优化XGBoost，之前出过很多集成算法的SHAP分析，都可以直接套用

一篇解决不均衡疾病诊断问题！|SuperLearner+20多基线模型对比+DCA决策+Calibration曲线+Kaplan–Meier预后+风险分层+Cox回归+SHAP解释！

「Nature子刊SHAP图“拿来即用”？」~~二十多种算法+创新集成算法+SHAP+PDP分析套图来了|替换数据直接套用~~

TabICL二分类表现惊艳！结合LightGBM、HGBoot集成优化，性能超越20+基线模型|附集成模型一键式可解释性分析

首先是贝叶斯寻优过程绘图，可以直接展示出不同超参数寻优过程

接下来就是回归预测图和SHAP绘图，大部分之前都分享过的

下面是PDP分析图

源码实现

本期依然是python代码，全部源码在code_main_6_1.ipynb 文件里面，直接修改数据集的名字即可套用

# 公众号：Lvy的口袋df_all = pd.read_excel('BostonHousing1.xlsx') df_process = df_all.dropna()#随机打乱整个数据集的数据df_process = df_process.sample(frac=1).reset_index(drop=True)train_vaild_test_list=[0.7,0.1,0.2]  #训练集、验证集、测试集划分train_vaild_test_list1=np.cumsum(train_vaild_test_list/np.sum(train_vaild_test_list)*len(df_process))train_vaild_test_list2=np.round(train_vaild_test_list1)train_vaild_test_list2=train_vaild_test_list2.astype(int)df_train_list=df_process.iloc[1:train_vaild_test_list2[0]]df_vaild_list=df_process.iloc[train_vaild_test_list2[0]:train_vaild_test_list2[1]]df_test_list=df_process.iloc[train_vaild_test_list2[1]:-1]X_mean, y_mean,X_std,y_std,X_train_nor, y_train_nor,X_vaild_nor, y_vaild_nor, X_test_nor, y_test_nor,train_y,vaild_y,test_y,test_X,train_X,vaild_X=split_data(df_train_list,df_vaild_list,df_test_list)

贝叶斯优化目标函数可以自己定义如下

def xgb_cv(max_depth, learning_rate, reg_lambda, subsample):    """贝叶斯优化目标函数：最大化负RMSE"""    max_depth = int(max_depth)    model = XGBRegressor(        max_depth=max_depth,        learning_rate=learning_rate,        reg_lambda=reg_lambda,        subsample=subsample,        objective='reg:squarederror',        n_estimators=5000,        random_state=42,        tree_method='hist',        eval_metric='rmse'    )    model.fit(        X_train_nor, y_train_nor,        eval_set=[(X_vaild_nor, y_vaild_nor)],        verbose=False,        early_stopping_rounds=100    )    pred = model.predict(X_vaild_nor)    rmse = root_mean_squared_error(y_vaild_nor, pred)    return -rmse

接下来可以自己设定一个色系，主要修改正负的颜色，全局绘图都是围绕这个颜色来滴~非常期待大家的的绘图配色

pos_color="#d06a4a"neg_color="#4f9d94"cmap = mpl.colors.LinearSegmentedColormap.from_list(    "shap_teal_orange",    [neg_color, "#f7f2ef", pos_color])

然后直接全部运行就能得到以上绘图了~

【获取方式】以上学习案例都更新在全家桶的日常推文更新里面~~可以直接下载到，可以在后台回复【全家桶】或者本推文阅读全文获取~~包括历史两百多篇推文内容

这次是合集了下，上面大部分绘图也是做了开源的案例的，是分开的，想要获取开源绘图也可以直接后台回复【绘图开源】，加我们联系方式领取

最近又有小伙伴用公众号工具箱和代码发顶刊了，恭喜恭喜，之后争取更新更多适合发论文的创新算法~时空预测工具箱已经在开发当中了！

更多算法工具箱介绍

目前5个算法工具箱都已经更新完毕，最新版本可以直接下载使用，视频教程和使用手册也都更新完了

【5个算法工具箱】神器系列重磅更新|含50%以上创新|一键实现百万算法组合|轻松解决评价、降维、聚类、回归、分类、时序预测、多输出、概率预测问题

【1400页使用手册】 1300页/40万字！「机器学习/深度学习」算法文档大更新|小白也能轻松上手

【绘图工具箱】 Figure_youwant 2.0版本重磅发布！超强开源绘图工具箱，速来领取

【集成工具箱】彻底爆了！|一键实现上百种创新stacking算法组合+完全可解释分析|RSpredict工具箱正式发布了~

全家桶计划

一键打包公众号以及B站发布的过去/未来所有资料，包括所有工具箱/代码等，后续持续更新，后台回复关键词【全家桶】或者点击阅读全文~