之前我看了一个关于“NLP的实践特性工程”的演讲。主要是关于LIME和SHAP在文本分类可解释性方面是如何工作的。
我决定写一篇关于它们的文章，因为它们很有趣、易于使用，而且视觉上很吸引人。
所有的机器学习模型都是在更高的维度上运行的，而不是在人脑可以直接看到的维度上运行的，这些机器学习模型都可以被称为黑盒模型，它可以归结为模型的可解释性。特别是在NLP领域中，特征的维数往往很大，说明特征的重要性变得越来越复杂。
LIME & SHAP不仅帮助我们向最终用户解释NLP模型的工作原理，而且帮助我们自己解释NLP模型是如何工作的。
利用 Stack Overflow 问题标签分类数据集，我们将构建一个多类文本分类模型，然后分别应用LIME和SHAP对模型进行解释。由于我们之前已经做过多次文本分类，所以我们将快速构建NLP模型，并着重于模型的可解释性。
数据预处理、特征工程和逻辑回归
import pandas as pd
import numpy as np
import sklearn
import sklearn.ensemble
import sklearn.metrics
from sklearn.utils import shuffle
from __future__ import print_function
from io import StringIO
import re
from bs4 import BeautifulSoup
from nltk.corpus import stopwords
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, f1_score, precision_score, recall_score
import lime
from lime import lime_text
from lime.lime_text import LimeTextExplainer
from sklearn.pipeline import make_pipeline
df = pd.read_csv('stack-overflow-data.csv')
df = df[pd.notnull(df['tags'])]
df = df.sample(frac=0.5, random_state=99).reset_index(drop=True)
df = shuffle(df, random_state=22)
df = df.reset_index(drop=True)
df['class_label'] = df['tags'].factorize()[0]
class_label_df = df[['tags', 'class_label']].drop_duplicates().sort_values('class_label')
label_to_id = dict(class_label_df.values)
id_to_label = dict(class_label_df[['class_label', 'tags']].values)
REPLACE_BY_SPACE_RE = re.compile('[/(){}[]|@,;]')
BAD_SYMBOLS_RE = re.compile('[^0-9a-z #+_]')
# STOPWORDS = set(stopwords.words('english'))
def clean_text(text):
"""
text: a string
return: modified initial string
"""
text = BeautifulSoup(text, "lxml").text # HTML decoding. BeautifulSoup's text attribute will return a string stripped of any HTML tags and metadata.
text = text.lower() # lowercase text
text = REPLACE_BY_SPACE_RE.sub(' ', text) # replace REPLACE_BY_SPACE_RE symbols by space in text. substitute the matched string in REPLACE_BY_SPACE_RE with space.
text = BAD_SYMBOLS_RE.sub('', text) # remove symbols which are in BAD_SYMBOLS_RE from text. substitute the matched string in BAD_SYMBOLS_RE with nothing.
# text = ' '.join(word for word in text.split() if word not in STOPWORDS) # remove stopwors from text
return text
df['post'] = df['post'].apply(clean_text)
list_corpus = df["post"].tolist()
list_labels = df["class_label"].tolist()
X_train, X_test, y_train, y_test = train_test_split(list_corpus, list_labels, test_size=0.2, random_state=40)
vectorizer = CountVectorizer(analyzer='word',token_pattern=r'w{1,}', ngram_range=(1, 3), stop_words = 'english', binary=True)
train_vectors = vectorizer.fit_transform(X_train)
test_vectors = vectorizer.transform(X_test)
logreg = LogisticRegression(n_jobs=1, C=1e5)
logreg.fit(train_vectors, y_train)
pred = logreg.predict(test_vectors)
accuracy = accuracy_score(y_test, pred)
precision = precision_score(y_test, pred, average='weighted')
recall = recall_score(y_test, pred, average='weighted')f1 = f1_score(y_test, pred, average='weighted')print("accuracy = %.3f, precision = %.3f, recall = %.3f, f1 = %.3f" % (accuracy, precision, recall, f1))
我们现在目标并不是产生最好的结果。我想尽快进入LIME & SHAP，这就是接下来发生的事情。
用LIME解释文本预测
从现在开始，这是有趣的部分。下面的代码片段主要是从LIME教程中借来的。
c = make_pipeline(vectorizer, logreg)
class_names=list(df.tags.unique())
explainer = LimeTextExplainer(class_names=class_names)
idx = 1877
exp = explainer.explain_instance(X_test[idx], c.predict_proba, num_features=6, labels=[4, 8])
print('Document id: %d' % idx)
print('Predicted class =', class_names[logreg.predict(test_vectors[idx]).reshape(1,-1)[0,0]])
print('True class: %s' % class_names[y_test[idx]])
我们在测试集中随机选择一个文档，它恰好是一个标记为sql的文档，我们的模型也预测它是sql。使用这个文档，我们为标签4 (sql)和标签8 (python)生成解释。
print ('Explanation for class %s' % class_names[4])
print (''.join(map(str, exp.as_list(label=4))))
print ('Explanation for class %s' % class_names[8])
print (''.join(map(str, exp.as_list(label=8))))
很明显，这个文档对标签sql有最高的解释。我们还注意到正负号与特定的标签有关，例如单词”sql”对类sql是正的，而对类python是负的，反之亦然。
我们要为这个文档生成2类标签顶部。
exp = explainer.explain_instance(X_test[idx], c.predict_proba, num_features=6, top_labels=2)
print(exp.available_labels())
它给出了sql和python。
exp.show_in_notebook(text=False)
让我来解释一下这种可视化:
1. 对于本文档，词 “sql”对于类sql具有最高的正分数。
2. 我们的模型预测该文档应该标记为sql，其概率为100%。
3. 如果我们从文档中删除word”sql”，我们期望模型预测label sql的概率为100% – 65% = 35%。
4. 另一方面，单词”sql”对于类python是负面的，我们的模型已经了解到单词”range”对于类python有一个小的正面得分。
我们可能想放大并研究类sql的解释，以及文档本身。
exp.show_in_notebook(text=y_test[idx], labels=(4,))
使用SHAP解释文本预测
以下过程是从本教程中学到的。「链接」
from sklearn.preprocessing import MultiLabelBinarizer
import tensorflow as tf
from tensorflow.keras.preprocessing import text
import keras.backend.tensorflow_backend as K
K.set_session
import shap
tags_split = [tags.split(',') for tags in df['tags'].values]
tag_encoder = MultiLabelBinarizer()
tags_encoded = tag_encoder.fit_transform(tags_split)
num_tags = len(tags_encoded[0])
train_size = int(len(df) * .8)
y_train = tags_encoded[: train_size]
y_test = tags_encoded[train_size:]
class TextPreprocessor(object):
def __init__(self, vocab_size):
self._vocab_size = vocab_size
self._tokenizer = None
def create_tokenizer(self, text_list):
tokenizer = text.Tokenizer(num_words = self._vocab_size)
tokenizer.fit_on_texts(text_list)
self._tokenizer = tokenizer
def transform_text(self, text_list):
text_matrix = self._tokenizer.texts_to_matrix(text_list)
return text_matrix
VOCAB_SIZE = 500
train_post = df['post'].values[: train_size]
test_post = df['post'].values[train_size: ]
processor = TextPreprocessor(VOCAB_SIZE)
processor.create_tokenizer(train_post)
X_train = processor.transform_text(train_post)
X_test = processor.transform_text(test_post)
def create_model(vocab_size, num_tags):
model = tf.keras.models.Sequential()
model.add(tf.keras.layers.Dense(50, input_shape = (VOCAB_SIZE,), activation='relu'))
model.add(tf.keras.layers.Dense(25, activation='relu'))
model.add(tf.keras.layers.Dense(num_tags, activation='sigmoid'))
model.compile(loss = 'binary_crossentropy', optimizer='adam', metrics = ['accuracy'])
return model
model = create_model(VOCAB_SIZE, num_tags)
model.fit(X_train, y_train, epochs = 2, batch_size=128, validation_split=0.1)
print('Eval loss/accuracy:{}'.format(model.evaluate(X_test, y_test, batch_size = 128)))
- 模型训练完成后，我们使用前200个训练文档作为背景数据集进行集成，并创建一个SHAP explainer对象。
- 我们在测试集的子集上获得各个预测的属性值。
- 将索引转换为单词。
- 使用SHAP的summary_plot方法来显示影响模型预测的主要特性。
attrib_data = X_train[:200]
explainer = shap.DeepExplainer(model, attrib_data)
num_explanations = 20
shap_vals = explainer.shap_values(X_test[:num_explanations])
words = processor._tokenizer.word_index
word_lookup = list()
for i in words.keys():
word_lookup.append(i)
word_lookup = [''] + word_lookup
shap.summary_plot(shap_vals, feature_names=word_lookup, class_names=tag_encoder.classes_)
- 单词”want”是我们模型使用的最大信号词，对类jquery预测贡献最大。
- 单词”php”是我们模型使用的第四大信号词，当然对PHP类贡献最大。
- 另一方面，单词”php”可能对另一个类有负面信号，因为它不太可能在python文档中看到单词”php”。
关于LIME & SHAP的机器学习可解释性，还有很多需要学习的地方。我只介绍了一小部分NLP。其余的可以在Github上找到。NLP-with-Python/LIME_SHAP_StackOverflow.ipynb at master · susanli2016/NLP-with-Python · GitHub
来自：AI中国
本文采用「CC BY-SA 4.0 CN」协议转载自互联网、仅供学习交流，内容版权归原作者所有，如涉作品、版权和其他问题请给「我们」留言处理。
