基于 LSTM 的多特征序列预测-SHAP可视化！
往期精彩内容：
单步预测-风速预测模型代码全家桶-CSDN博客
半天入门！锂电池剩余寿命预测（Python）-CSDN博客
超强预测模型：二次分解-组合预测-CSDN博客
VMD + CEEMDAN 二次分解，BiLSTM-Attention预测模型-CSDN博客
超强预测算法：XGBoost预测模型-CSDN博客
基于麻雀优化算法SSA的预测模型——代码全家桶-CSDN博客
VMD + CEEMDAN 二次分解，CNN-Transformer预测模型-CSDN博客
独家原创 | SCI 1区 高创新预测模型！-CSDN博客
风速预测（八）VMD-CNN-Transformer预测模型-CSDN博客
高创新 | CEEMDAN + SSA-TCN-BiLSTM-Attention预测模型-CSDN博客
VMD + CEEMDAN 二次分解，Transformer-BiGRU预测模型-CSDN博客
独家原创 | 基于TCN-SENet +BiGRU-GlobalAttention并行预测模型-CSDN博客
VMD + CEEMDAN 二次分解——创新预测模型合集-CSDN博客
独家原创 | BiTCN-BiGRU-CrossAttention融合时空特征的高创新预测模型-CSDN博客
CEEMDAN +组合预测模型(CNN-Transfromer + XGBoost)-CSDN博客
时空特征融合的BiTCN-Transformer并行预测模型-CSDN博客
独家首发 | 基于多级注意力机制的并行预测模型-CSDN博客
独家原创 | CEEMDAN-CNN-GRU-GlobalAttention + XGBoost组合预测-CSDN博客
多步预测系列 | LSTM、CNN、Transformer、TCN、串行、并行模型集合-CSDN博客
独家原创 | CEEMDAN-Transformer-BiLSTM并行 + XGBoost组合预测-CSDN博客
涨点创新 | 基于 Informer-LSTM的并行预测模型-CSDN博客
独家原创 | 基于 Informer + TCN-SENet的并行预测模型-CSDN博客
即插即用 | 时间编码+LSTM+全局注意力-CSDN博客
粉丝福利 | 再添 Seq2Seq 多步预测模型-CSDN博客
暴力涨点！ | 基于 Informer+BiGRU-GlobalAttention的并行预测模型-CSDN博客
热点创新 | 基于 KANConv-GRU并行的多步预测模型-CSDN博客
重大更新！锂电池剩余寿命预测新增 CALCE 数据集_calce数据集-CSDN博客
如何利用 LSTM 预测上证指数未来值-CSDN博客
注意：本次教程通过 LSTM 模型针对往期多特征序列预测任务进行 SHAP 可视化分析，根据我们提供的代码，可以直接迁移到我们往期其他多特征序列预测的模型上！
前言
本文基于前期介绍的电力变压器（文末附数据集），介绍一种基于 LSTM 预测模型的 SHAP 可视化分析教程。电力变压器数据集的详细介绍可以参考下文：
电力变压器数据集介绍和预处理
数据集是使用.csv形式进行存储的，包括了除时间列外 “HUFL”, “HULL”, “MUFL”, “MULL”, “LUFL”, “LULL” 和 “OT”7个特征。
1 多特征变量数据集制作与预处理
1.1 导入数据集
取油温数据 OT 为目标预测值！
1.2 数据集制作
按照 8：2 划分训练集，测试集，滑动窗口设置为12
2 基于Pytorch的 LSTM 预测模型
2.1 定义 LSTM 预测模型
2.2 设置参数，训练模型
注意调整参数：
-
可以修改LSTM层数和每层神经元个数；
-
增加更多的 epoch （注意防止过拟合）
-
可以改变滑动窗口长度（设置合适的窗口长度）
3 模型评估与可视化
3.1 结果可视化
3.2 模型评估
4 SHAP 可视化分析
SHAP 特征重要性-Summary Plot
将 SHAP 值矩阵传递给条形图函数会创建一个全局特征重要性图，其中每个特征的全局重要性被视为该特征在所有给定样本中的平均绝对值。
上面使用Summary Plot方法并设置参数plot_type="bar"绘制典型的特征重要性条形图，而他默认绘制Summary_plot图，他是结合了特征重要性和特征效果，取代了条形图。
Summary_plot 为每一个样本绘制其每个特征的Shapley value，它说明哪些特征最重要，以及它们对数据集的影响范围。
y 轴上的位置由特征确定，x 轴上的位置由每 Shapley value 确定。颜色表示特征值（红色高，蓝色低），颜色使我们能够匹配特征值的变化如何影响风险的变化。重叠点在 y 轴方向抖动，因此我们可以了解每个特征的 Shapley value分布，并且这些特征是根据它们的重要性排序的。
5 SHAP 可视化分析 更新范围
该模型已经在如下四个全家桶，和部分高创新模型里面更新，请购买过的同学及时更新下载：
（1） 独家原创 | SCI 1区 高创新预测模型
基于交叉注意力融合时空特征的TCN-Transformer并行预测模型
（2） 独家原创 | 基于TCN-SENet +BiGRU-GlobalAttention并行预测模型
TCN-SENet +BiGRU-GlobalAttention并行预测模型
（3） 基于多级注意力机制的并行预测模型
独家首发 | 基于多级注意力机制的并行预测模型
（4）单步预测全家桶
最强更新 | 一次拥有，全面掌握 Python 时间序列预测
（5）多步预测全家桶
热点创新 | 基于 KANConv-GRU并行的多步预测模型
（6）麻雀优化算法—创新预测模型全家桶
基于 Python 优化算法的创新预测模型
（7）二次分解——创新模型预测全家桶
VMD + CEEMDAN 二次分解，TCN-Transformer并行预测模型
6 代码、数据整理如下：
点击下方卡片获取代码！
