SHAP解释器需按模型类型严格匹配：TreeExplainer适配树模型（XGBoost等），KernelExplainer兜底适配含predict方法的模型，DeepExplainer专用于PyTorch/TensorFlow模型；选错或参数错误会导致SHAP值为0、绘图空白或AttributeError。
直接用 shap.TreeExplainer（树模型）或 shap.KernelExplainer（线性/SVM/逻辑回归等）能跑通，但选错解释器或传错参数会导致 SHAP 值全为 0、绘图空白、报 AttributeError: 'xxx' object has no attribute 'predict' —— 这不是模型不准，是接口没对齐。
怎么选对 SHAP 解释器：看模型类型，别硬套
SHAP 不是万能胶水，不同解释器有明确适配范围：
-
shap.TreeExplainer：只认 XGBoost / LightGBM / CatBoost / sklearn 树类（RandomForestClassifier等），速度快、精度高、支持原生缺失值；传入模型对象即可，不用包装 -
shap.DeepExplainer或shap.GradientExplainer：仅限 PyTorch/TensorFlow/Keras 模型，且必须提前调用model.eval()和torch.no_grad()，否则 forward 卡死或梯度爆炸 -
shap.KernelExplainer：兜底方案，能接任何带.predict()或.predict_proba()的模型（包括SVC、LogisticRegression、自定义 pipeline），但慢、采样不稳定、结果有方差；必须显式传背景数据（如X_train.iloc[:100]）
为什么 shap.summary_plot 显示空白或坐标错乱
核心就两点：列名对不上 + 数据维度不一致。
-
feature_names必须是list，不能是pandas.Index或np.array；稳妥写法：feature_names=list(X_test.columns) - 如果用了
ColumnTransformer或pd.get_dummies，真实特征顺序已变，必须用preprocessor.get_feature_names_out()获取，不能沿用原始df.columns -
shap_values和X_test行数必须严格一致；抽样时要同步：idxs = np.random.choice(len(X_test), 200, replace=False)→X_sample = X_test.iloc[idxs]+shap_vals_sample = shap_vals[idxs] - 分类任务中，
shap_values是 list（每类一个 array），画某类得指定索引，例如二分类画正类：shap.summary_plot(shap_vals[1], X_sample)
shap.force_plot 加载失败或白屏
这不是代码 bug，是前端依赖链路断了。
立即学习“Python免费学习笔记（深入）”；
- 默认用 JS 渲染，需先运行
shap.initjs()（Jupyter 中）；若提示 “Failed to display widget”，说明 JS 资源未加载成功 - 更稳的替代方案是强制用 matplotlib：
shap.plots.force(explainer.expected_value, shap_vals[0], X_test.iloc[0], matplotlib=True) - 注意：传给
force_plot的单样本必须是 pandas Series 或 1D numpy array，不能是 shape=(1, n) 的二维数组；错写成X_test.iloc[[0]]就会报错
Pipeline 模型怎么传给 SHAP
别拆 pipeline.steps，直接传整个 pipeline 对象，但必须确认它暴露 .predict() 接口。
- sklearn pipeline 默认支持
.predict()，可直接传给KernelExplainer；但TreeExplainer不接受 pipeline，会报错 - 如果 pipeline 里有 fit-only 变换（如
StandardScaler），确保训练时已fit，且测试数据走的是pipeline.predict(X_test)，而非手动 transform 后喂给子模型 - PyTorch pipeline 若封装成类，必须在
__call__或forward外再包一层def predict(self, X): ...，否则KernelExplainer找不到入口
真正卡住人的从来不是 SHAP 公式，而是 feature_names 和数据列序是否咬合、shap_values 维度是否和 X 对齐、以及 pipeline 是否真的“可调用”。这些细节不校验，summary_plot 就是白板，force_plot 就是报错。
