问题背景
在使用Python的SHAP（SHapley Additive exPlanations）库进行机器学习可解释性分析时，Explainer.__matmul__方法是实现矩阵乘法运算的核心操作。该方法在计算SHAP值的过程中负责特征重要性矩阵与输入数据的乘法运算，但经常因维度不匹配导致运行时错误。
错误现象
典型的错误提示包括：
ValueError: shapes (X,Y) and (A,B) not aligned
或
TypeError: Matrix dimensions incompatible
这些错误发生在调用shap_values @ input_features或类似操作时，表明矩阵乘法运算的维度规则未被满足。
根本原因分析
1. 输入数据形状不匹配
SHAP解释器生成的shap_values通常是(n_samples, n_features)形状，而输入特征矩阵需要是(n_features, n_outputs)形状。当特征维度不一致时（例如数据预处理导致特征增减），就会触发维度错误。
2. 多分类问题处理不当
对于多分类模型，SHAP会为每个类别生成一组shap_values（形状为(n_classes, n_samples, n_features)）。直接使用@运算符而未正确处理多类维度将导致错误。
3. 稀疏矩阵转换问题
当使用稀疏矩阵时，隐式的形状转换可能导致维度不匹配。特别是使用csr_matrix与csc_matrix混用时，转置操作可能产生意外结果。
解决方案
完整代码示例
import numpy as np
import shap
from sklearn.ensemble import RandomForestClassifier
# 准备数据
X, y = shap.datasets.iris()
model = RandomForestClassifier().fit(X, y)
# 创建解释器
explainer = shap.TreeExplainer(model)
shap_values = explainer.shap_values(X)
# 正确的矩阵乘法操作
if isinstance(shap_values, list):
# 处理多分类情况
result = np.stack([sv @ X for sv in shap_values])
else:
# 单分类情况
result = shap_values @ X
# 验证结果形状
print(f"Result shape: {result.shape}")
关键修复步骤
- 显式检查维度：使用
np.shape()或.shape属性验证矩阵维度 - 多分类特殊处理：通过
isinstance(shap_values, list)判断多分类场景 - 维度对齐保证：必要时使用
np.transpose()或.T进行矩阵转置 - 稀疏矩阵处理：统一使用
.toarray()或.todense()转换稀疏矩阵
最佳实践
- 始终在矩阵乘法前打印张量形状：
print(f"shap_values: {shap_values.shape}, X: {X.shape}") - 使用
np.einsum进行复杂维度运算：np.einsum('ijk,kl->ijl', shap_values, X) - 对非数值特征进行显式编码，避免维度不一致
- 在集成学习场景中，确保基学习器的特征维度一致
性能优化建议
对于大型数据集：
- 使用
shap.utils.sparse.Approximate进行近似计算 - 启用
approximate=True参数加速计算 - 考虑分批处理大数据矩阵乘法