Intuition bag partial dependence

Betydning fortæller dig, at en feature har betydning, men ikke hvordan. Et plot for partiel afhængighed viser retningen og formen på denne effekt. 📈

Det besvarer et enkelt spørgsmål: Hvis jeg kun ændrer denne ene feature, hvordan ændrer den gennemsnitlige forudsigelse sig, mens alt andet holdes konstant?

Metoden gennemgår en feature over hele dens interval, laver en forudsigelse ved hver værdi for hver række og beregner derefter gennemsnittet af forudsigelserne til én kurve.

En stigende linje betyder, at mere af featuren løfter forudsigelserne. En flad linje betyder, at modellen næsten ikke reagerer på denne feature overhovedet.

Partiel afhængighed er særligt nyttig for ikke-lineære modeller: Kurven kan stige, flade ud eller falde og dermed vise effekter, som én enkelt koefficient ville skjule.

scikit-learn tegner disse for dig med PartialDependenceDisplay, når du angiver din model, dine data og den feature, der skal undersøges.

Angiv to features, så får du et 2D-heatmap, der viser, hvordan deres interaktion sammen former forudsigelsesoverfladen.

Et ICE-plot tegner én linje pr. række i stedet for et gennemsnit, så du kan finde undergrupper, der reagerer forskelligt.

Partiel afhængighed antager, at features er nogenlunde uafhængige. Stærke korrelationer kan skabe urealistiske kombinationer og vildlede den gennemsnitlige kurve.

SHAP tildeler kredit for hver forudsigelse, mens partiel afhængighed beskriver den overordnede form på effekten af én feature på tværs af datasættet.

En enkel kurve, der går op eller ned, er let for ikke-eksperter at forstå og forvandler en black-box-model til en tydelig fortælling om årsag og virkning.

Du så, hvordan partiel afhængighed forvandler en feature til en letlæselig kurve, med ICE for detaljer og SHAP for kredit pr. række. Nu skal du se på diagrammer, der overbeviser. 🎯