代码功能
LightGBM分类预测+特征贡献SHAP分析+特征依赖图！机器学习可解释分析，Matlab代码实现，该MATLAB代码实现了一个基于LightGBM的分类模型，并集成了SHAP可解释性分析框架。主要功能包括：
1. 数据预处理：数据打乱、分层划分训练/测试集、归一化处理
2. 神经网络建模：构建LightGBM分类模型
3. 模型评估：计算分类准确率、绘制预测结果对比图、生成混淆矩阵
4. 可解释性分析：计算SHAP值、绘制特征重要性图、依赖关系图等可解释性图表
算法步骤
1. 数据准备阶段
• 导入Excel数据集（最后一列为类别标签）
• 分析数据维度（特征数/类别数/样本数）
• 随机打乱数据集
• 按类别分层抽样（70%训练集，30%测试集）
2. LightGBM建模
• 数据归一化（mapminmax）
• 创建网络：LightGBM
3. 模型验证
• 计算分类准确率
• 绘制预测结果对比
• 生成混淆矩阵（confusionchart）
4. SHAP可解释性分析
• 选择测试样本（默认全量）
• 计算参考值（训练集均值）
• 逐样本计算SHAP值
• 可视化分析：
• SHAP摘要图（特征贡献分布）
• 特征重要性条形图（平均|SHAP|）
• 特征依赖图（特征值-SHAP值关系）
运行环境要求
MATLAB版本：2020b或更高（依赖confusionchart）
应用场景
1. 多分类问题：支持任意类别数的分类任务
2. 模型可解释性需求：
• 医疗诊断（需解释特征贡献）
• 金融风控（需符合监管解释要求）
• 工业故障检测（需定位关键特征）
3.学术研究：机器学习可解释性方法验证
注：SHAP分析计算复杂度为O(2^M*N)，特征维度(M)较高时建议减少numShapSamples值。实际应用中需根据特征含义修改featureNames数组。
数据集
