我正在尝试使用shap内核解释器来解释我的模型。数据集是形状的(17668342(。explainer(xgbexplainer(已成功建模，当我使用它生成shap_value时，它会抛出Memory Error。
import shap
xgb_explainer = shap.KernelExplainer(trained_model.steps[-1][-1].predict,X_for_shap.values)
shap_val = xgb_explainer.shap_values(X_for_shap.loc[0], nsamples=1)
首先，我使用nsamples作为默认值=2*X_for_shap.shap[2]+2048，它返回内存错误：无法分配形状为(2132，7420686(、数据类型为float64的数组
当我将其设置为nsamples=1时，它将无限期运行。请帮我弄清楚我在哪里做错了
这是错误消息的屏幕截图
关于kernelexplainer，我不明白的一件事是，为什么我们需要用一些策略(均值、中值k均值等(来估算缺失的特征？为什么不忽略它们，拟合一个线性学习器，并将其和模型进行比较，而不观察该特征呢？P(y|{S}U feature_i(-P(y|｛S}(？SHAP方法提供了什么样的附加值来拥有全部功能，但其中一些功能是未知的？