Interpretable XGBoost modeling using SHAP and LIME: A real-world electric vehicle study

Öz

Context—As the global automotive market transitions to electric powertrains, the technical determinants of electric vehicle (EV) pricing are still not fully understood, particularly under complex, non-linear interactions among engineering variables. Traditional valuation frameworks tied to mechanical attributes, such as engine displacement and drivetrain layout, are increasingly inadequate for capturing the multidimensional, technology-driven nature of EV market value formation. This limitation underscores the need for data-driven approaches that directly link engineering specifications to economic outcomes.

Objective—This study investigates the key determinants of electric vehicle pricing. By moving beyond vague "black box" predictive models, we established an interpretable machine learning framework. This framework aims to provide stakeholders, from engineers to executives, with clear insight into which specific technical specifications drive market value.

Method—We deployed XGBoost, a high-performance ensemble learning algorithm, on a dataset of 1,137 European EVs. To deconstruct the model’s internal logic, SHAP (Shapley Additive Explanations) and LIME (Local Interpretable Model-agnostic Explanations) were employed. In parallel, Principal Component Analysis (PCA) was applied to consolidate four highly intercorrelated technical variables into a single composite predictor, thereby enabling a system-level representation of vehicle performance rather than an isolated specification-based analysis.

Results—The model explains approximately 96% of the price variance on the held-out test set (RMSE = €6,618; MAE = €3,516). Integrated performance characteristics emerged as the dominant factor, followed by vehicle physical dimensions. Notably, these dimensions exhibit pronounced “threshold effects", where significant price premiums are triggered once specific physical benchmarks are met. In particular, wheelbases above 2,750 mm and electric range plateauing at approximately 450 km. Traditional automotive differentiators, such as drivetrain configuration, had a minimal statistical impact, suggesting that engineering integration and physical specifications are the dominant pricing determinants in the current EV market.

Conclusion—The findings demonstrate that EV market valuation is increasingly shaped by integrated engineering performance and platform-level design parameters rather than legacy mechanical attributes. The study establishes quantitatively grounded design thresholds and shows how interpretable machine learning can translate complex statistical relationships into actionable engineering guidelines. By explicitly connecting model outputs with physical design parameters, this work provides a practical basis for data-driven vehicle development and strategic positioning in the evolving EV landscape.

Anahtar Kelimeler

• Electric vehicles
• Explainable machine learning
• Machine learning
• LIME
• SHAP

Destekleyen Kurum

N/a

Etik Beyan

Ethics committee approval is not required for this study. The author declares that there is no conflict of interest with any person, institution, or organization related to this article.

Teşekkür

N/a

SHAP ve LIME Kullanılarak Açıklanabilir XGBoost Modellemesi: Elektrikli Araçlara Ait Gerçek Veri Üzerine Bir Çalışma

Öz

Arka Plan—Küresel otomotiv pazarı elektrikli güç aktarma sistemlerine doğru dönüşürken, özellikle mühendislik değişkenleri arasındaki karmaşık ve doğrusal olmayan etkileşimler bağlamında, elektrikli araç (EA) fiyatlarını belirleyen teknik unsurlar henüz tam olarak ortaya konulmamıştır. Motor hacmi ve aktarma organı yerleşimi gibi mekanik özelliklere dayalı geleneksel değerleme yaklaşımları, EA'ların çok boyutlu ve teknoloji odaklı piyasa değer oluşumunu açıklamada giderek yetersiz kalmaktadır. Bu durum, mühendislik özelliklerini ekonomik sonuçlarla doğrudan ilişkilendiren veri odaklı yaklaşımlara duyulan gereksinimi ortaya koymaktadır.

Amaç—Bu çalışmada, elektrikli araç fiyatlarının temel belirleyicilerinin incelenmesi amaçlanmıştır. Çalışmada, yalnızca tahmin yapan “kara kutu” modellerinin ötesine geçilerek, hangi teknik özelliklerin piyasa değerini belirlediğine ilişkin açık ve yorumlanabilir bilgiler sağlayan bir makine öğrenmesi çerçevesi geliştirilmiştir.

Yöntem—Avrupa'daki 1137 elektrikli araca ait veriler kullanılarak yüksek performanslı bir topluluk öğrenme algoritması olan XGBoost uygulanmıştır. Modelin karar mekanizmasını ve değişkenlerin tahmin üzerindeki katkılarını ortaya koymak amacıyla SHAP (Shapley Additive Explanations) ve LIME (Local Interpretable Model-agnostic Explanations) yöntemlerinden yararlanılmıştır. Buna paralel olarak, birbiriyle yüksek korelasyona sahip dört teknik değişkeni tek bir bileşik yordayıcıda birleştirmek amacıyla Temel Bileşenler Analizi (PCA) uygulandı; böylece, teknik özelliklere dayalı izole bir analiz yerine araç performansının sistem düzeyinde bir temsili sağlandı.

Bulgular—Model, ayrılmış test veri setinde fiyat varyansının yaklaşık %96'sını açıklamış (RMSE = 6618 €; MAE = 3516 €). Bütünleşik performans özellikleri en önemli belirleyici olarak öne çıkarken, bunu aracın fiziksel boyutları izlemiştir. Dikkat çekici bir husus, bu boyutların belirgin “eşik etkileri” sergilemesidir; yani, belirli fiziksel referans değerlerine ulaşıldığında fiyat primlerinde belirgin artışlar kaydedilmiştir. Özellikle 2.750 mm'nin üzerindeki dingil mesafesi ve yaklaşık 450 km düzeyindeki elektrikli menzil, belirgin eşik noktaları olarak öne çıkmıştır. Buna karşılık, aktarma organı konfigürasyonu gibi geleneksel otomotiv farklılaştırıcılarının istatistiksel etkisi sınırlı kalmıştır. Bu bulgular, güncel EA pazarında mühendislik özelliklerinin bütünleşik yapısının ve fiziksel özelliklerin, geleneksel mekanik özelliklerden daha belirleyici olduğunu göstermektedir.

Sonuç—Bulgular, EA piyasa değerinin geleneksel mekanik özelliklerden ziyade bütünleşik mühendislik performansı ve platform düzeyindeki tasarım parametreleri tarafından giderek daha fazla şekillendirildiğini göstermektedir. Çalışma, nicel temellere dayalı tasarım eşikleri belirlemekte ve yorumlanabilir makine öğrenmesinin, karmaşık istatistiksel ilişkileri uygulanabilir mühendislik hedeflerine dönüştürmedeki potansiyelini göstermektedir. Model çıktılarının fiziksel tasarım parametreleriyle açık biçimde ilişkilendirilmesi, gelişen EA pazarında veri odaklı araç geliştirme ve stratejik konumlandırma için pratik bir temel sunmaktadır.

Anahtar Kelimeler

• Makine Öğrenmesi
• Açıklanabilir Makine Öğrenmesi
• Elektrikli Araçlar
• SHAP
• LIME

Destekleyen Kurum

N/a

Etik Beyan

Bu çalışma için etik kurul onayı gerekmemektedir. Yazar, bu makale ile ilgili olarak herhangi bir kişi, kurum veya kuruluş ile çıkar çatışması bulunmadığını beyan eder.

Teşekkür

N/a

Kaynakça

1. A. Recalde, R. Cajo, W. Velasquez, M. S. Alvarez-Alvarado, "Machine learning and optimization in energy management systems for plug-in hybrid electric vehicles: a comprehensive review", Energies, 17(13), 3059, 2024. https://doi.org/10.3390/en17133059.
2. I. Demirsoy, "Estimating the Intensity of Point Processes on Linear Networks", Ph.D. dissertation, Florida State University, Florida, USA, 2020.
3. A. M. Salih, Z. Raisi-Estabragh, I. B. Galazzo, P. Radeva, S. E. Petersen, K. Lekadir, G. Menegaz, "A Perspective on Explainable Artificial Intelligence Methods: SHAP and LIME", Advanced Intelligent Systems, 7(1), 2400304, 2025. https://doi.org/10.1002/aisy.202400304.
4. C. Y. Zhang, S. Cho, M. Vasarhelyi, "Explainable artificial intelligence (XAI) in auditing", International Journal of Accounting Information Systems, 46(SI), 100572, 2022. https://doi.org/10.1016/j.accinf.2022.100572.
5. M. Chakraborty, “Explainable Artificial Intelligence (XAI): A Perspective”, Lecture Notes in Networks and Systems, M. Chakraborty, S. P. Chakrabarty, A. Penteado, V. E. Balas, Eds., Singapore. Springer, vol 1148, 2025, 47–63. https://doi.org/10.1007/978-981-97-8457-8_5.
6. M. Yildirim, F. Y. Okay, S. Özdemir, "A comparative analysis on the reliability of interpretable machine learning", Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 30(4), 494-508, 2023. https://doi.org/10.5505/pajes.2023.49473.
7. C. Van Zyl, X. M. Ye, R. Naidoo, "Harnessing eXplainable artificial intelligence for feature selection in time series energy forecasting: A comparative analysis of Grad-CAM and SHAP", Applied Energy, 353, 122079, 2024. https://doi.org/10.1016/j.apenergy.2023.122079.
8. A. Gramegna, P. Giudici, "SHAP and LIME: An Evaluation of Discriminative Power in Credit Risk", Frontiers in Artificial Intelligence, 4, 752558, 2021. https://doi.org/10.3389/frai.2021.752558.

9. K. K. Petersen, B. T. Nallapu, I. Demirsoy, R. B. Lipton, E. Grober, J. C. Morris, J. J. Hassenstab, B. A. Gordon, A. Ezzati "Supervised clustering of MRI measures informed by incident cognitive impairment via aggregated survival model SHAP values", Alzheimer's & Dementia, 20(S2), e089947, 2024. https://doi.org/10.1002/alz.089947.
10. I. Demirsoy, "A machine learning approach to determine optimal TOGG sale price in the european market", International Halich Congress on Multidisciplinary Scientific Research-VII, İstanbul, Türkiye, 23-25 January 2024, 739-749.
11. I. Demirsoy, A. Karaibrahimoglu, "Identifying drug interactions using machine learning", Advances in Clinical and Experimental Medicine, 32(8), 829-838, 2023. https://doi.org/10.17219/acem/169852.
12. T. Chen, T. He, M. Benesty, V. Khotilovich, Y. Tang, H. Cho, T. Zhou, "Xgboost: extreme gradient boosting", R package version 0.4-2, 1 4, 2015.
13. T. Chen, C. Guestrin, "XGBoost: A Scalable Tree Boosting System", Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, San Francisco, CA, USA, 2016, 785–794. https://doi.org/10.1145/2939672.2939785.
14. I. T. Jolliffe, "Principal Components in Regression Analysis", Principal Component Analysis, New York, NY, USA, Springer, 1986, Ch. 8, 129-155. https://doi.org/10.1007/978-1-4757-1904-8_8.
15. S. M. Lundberg, S.-I. Lee, "A unified approach to interpreting model predictions", Proceedings of the 31st Annual Conference on Neural Information Processing Systems (NIPS), Long Beach, CA, USA, 04-09 December 2017, 4768-4777.
16. I. Givisis, D. Kalatzis, C. Christakis, Y. Kiouvrekis, "Comparing Explainable AI Models: SHAP, LIME, and Their Role in Electric Field Strength Prediction over Urban Areas", Electronics, 14(23), 4766, 2025. https://doi.org/10.3390/electronics14234766.
17. M. T. Ribeiro, S. Singh, C. Guestrin, ""Why should i trust you?": Explaining the predictions of any classifier", Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, San Francisco, California, USA, 13-17 August 2016, 1135-1144. https://doi.org/10.1145/2939672.2939778.
18. R Core Team, R: A Language and Environment for Statistical Computing, R Foundation for Statistical Computing, 2023, https://www.R-project.org/.
19. S. Guo, B. Zhang, "Revolutionizing the used car market: Predicting prices with XGBoost", Applied and Computational Engineering, 48(1), 173–180, 2024. https://doi.org/10.54254/2755-2721/48/20241349.
20. X. H. Zang, R. N. Abdullah, L. Li, I. A. Hussain, "Leveraging Six Values for Company Performance: Adaptation of Sustainable Business Model Innovation Strategies in Chinese Electric Vehicle Brand Enterprises", World Electric Vehicle Journal, 15(11), 526, 2024. https://doi.org/10.3390/wevj15110526.
21. H. D. Han, S. X. Sun, "Identifying Heterogeneous Willingness to Pay for New Energy Vehicles Attributes: A Discrete Choice Experiment in China", Sustainability, 16(7), 2949, 2024. https://doi.org/10.3390/su16072949.
22. M. K. Hidrue, G. R. Parsons, W. Kempton, M. P. Gardner, "Willingness to pay for electric vehicles and their attributes", Resource and Energy Economics, 33(3), 686-705, 2011. https://doi.org/10.1016/j.reseneeco.2011.02.002.
23. C. D. Higgins, M. Mohamed, M. R. Ferguson, "Size matters: How vehicle body type affects consumer preferences for electric vehicles", Transportation Research Part A: Policy and Practice, 100, 182-201, 2017. https://doi.org/10.1016/j.tra.2017.04.014.
24. Z. W. Liu, X. L. Liu, F. Q. Zhao, "Research on NEV Platform Development Strategies for Automotive Companies", World Electric Vehicle Journal, 12(4), 201, 2021. https://doi.org/10.3390/wevj12040201.
25. B. O. Varga, A. Sagoian, F. Mariasiu, "Prediction of Electric Vehicle Range: A Comprehensive Review of Current Issues and Challenges", Energies, 12(5), 946, 2019. https://doi.org/10.3390/en12050946.
26. M. Herberz, U. J. J. Hahnel, T. Brosch, "Counteracting electric vehicle range concern with a scalable behavioural intervention", Nature Energy, 7(6), 503-510, 2022. https://doi.org/10.1038/s41560-022-01028-3.
27. X. W. Ma, R. Y. Xie, L. X. Guo, S. F. Niu, L. Cheng, R. Q. Hu, "Range anxiety of battery electric vehicles: Quantification and determinants using real-world data", Transportation Research Part D: Transport and Environment, 146, 104837, 2025. https://doi.org/10.1016/j.trd.2025.104837.
28. K. Bayar, "Performance comparison of electric-vehicle drivetrain architectures from a vehicle dynamics perspective", Proceedings of the Institution of Mechanical Engineers Part D: Journal of Automobile Engineering, 234(4), 915-935, 2020. https://doi.org/10.1177/0954407019867491.
29. H. J. Wang, Q. X. Liang, J. T. Hancock, T. M. Khoshgoftaar, "Feature selection strategies: a comparative analysis of SHAP-value and importance-based methods", Journal of Big Data, 11(1), 44, 2024. https://doi.org/10.1186/s40537-024-00905-w.
30. M. Bacevicius, A. Paulauskaite-Taraseviciene, G. Zokaityte, L. Kersys, A. Moleikaityte, "Comparative Analysis of Perturbation Techniques in LIME for Intrusion Detection Enhancement", Machine Learning and Knowledge Extraction, 7(1), 21, 2025. https://doi.org/10.3390/make7010021.
31. E. Figenbaum, "Perspectives on Norway’s supercharged electric vehicle policy", Environmental Innovation and Societal Transitions, 25, 14-34, 2017. https://doi.org/10.1016/j.eist.2016.11.002.
32. Y. Xiao, "Analysis of Factors Influencing Electric Vehicle Sales Based on the Multiple Linear Regression Model", Proceedings of the 2nd International Conference on Innovations in Applied Mathematics, Physics, and Astronomy-IAMPA, Singapore, 2025, 25-30. https://doi.org/10.5220/0013813400004708.