一、show_weights方法的核心问题场景
在机器学习模型可解释性分析中，show_weights作为eli5库的核心方法，常会遇到以下典型问题：
- 输出格式混乱：当特征数量超过100时，控制台输出会出现折行混乱
- HTML渲染失效：Jupyter Notebook环境中无法正确显示热力图
- 特征名称缺失：使用CountVectorizer时出现feature_0格式占位符
- 权重值溢出：深度学习模型产生极大权重值导致可视化比例失调
二、技术解决方案与最佳实践
1. 输出格式控制可通过设置top=50参数限制显示特征数量，结合feature_filterlambda表达式过滤低权重特征：
eli5.show_weights(
model,
top=50,
feature_filter=lambda x: abs(x) > 0.1
)
2. 特征名称映射需要构建feature_names参数，对于文本模型建议使用:
from sklearn.feature_extraction.text import TfidfVectorizer
vectorizer = TfidfVectorizer()
X_train = vectorizer.fit_transform(texts)
eli5.show_weights(
model,
vec=vectorizer,
feature_names=vectorizer.get_feature_names_out()
)
三、可视化增强方案
通过matplotlib结合show_weights输出实现高级可视化：
- 使用
eli5.formatters.as_dataframe转换权重数据 - 通过
seaborn.heatmap绘制特征热力图 - 添加
plotly交互式悬浮提示
四、典型错误处理
| 错误类型 | 解决方案 |
|---|---|
| AttributeError: 'str' object has no attribute 'get_feature_names' | 确保传入已训练的向量化对象而非配置字符串 |
| ValueError: shape mismatch | 检查模型特征维度与解释器输入是否一致 |
五、跨模型适配方案
针对不同模型类型需要特殊处理：
- 树模型：设置
importance_type参数选择"gain"或"cover" - 线性模型：使用
coef_scale调整权重显示范围 - 神经网络：通过
layer_idx指定特定隐藏层