explainer.excepted_value
預測結果的預期，有時候是一批資料預測結果的均值??
分标簽，如果是多分類，每一個類别都會有一個預期值，分析shap value時候選擇對應标簽的excepted_value
解釋預測結果時候，從這個值出發，每個特征對預測結果有一個影響，最終決定模型的輸出
這個結果應該也是 log odds, 因為它會出現負數
log odds: 對數幾率 = log p / (1-p)
假設預測為正樣本的機率為0.01，那麼對數幾率（以10為底） = log 0.01 / 0.99 = -3.9
假設預測為正樣本的機率為0.99，那麼對數幾率（以10為底） = log 99 = 1.9
shap_values
shape=(n_labels, n_rows, n_cols)
包含的資訊是對每個标簽，每一行，每個特征都有一個值
實際上我們分析時候，會單獨看每一個标簽的預測分析，二分類的就取label為1的shap value，也就是shap_values[1]
單獨分析每一行的時候就是 shap_values[1].iloc[index]
以計算一條記錄其中一個特征特征shap_values為例，說明計算過程：
把樣本特征轉換成數字
随意生成n個随機數作為mask，将原始的特征與這個mask計算得到新的n個特征
新的n個特征帶入模型預測擷取預測結果，觀察預測結果的變化與那個特征的規律得到shap_value
訓練lightgbm模型：
建構解釋器并擷取預期值：
繪制決策圖:
輸出：
decision_plot 解釋：
x軸是模型的輸出，y軸是特征名稱，線表示預測的過程
模型的輸出通常是一個機率，對這個機率取對數幾率就是模型的輸出
shap_values: 要解釋的資料的shap_values
features: 估計是用來提取列名的，可以不傳或者用feautues_names 代替
特征牽拉的幅度越大表示對預測結果的影響越大，影響分成正面影響和負面影響
找到那些對正面影響較大的特征以及其取值來解釋預測結果
還可以使用力圖來解釋預測結果：