Intuisi Dependensi Parsial

Kepentingan menunjukkan bahwa suatu fitur berpengaruh, tetapi tidak menjelaskan caranya. Plot ketergantungan parsial menunjukkan arah dan bentuk pengaruh tersebut. 📈

Plot ini menjawab pertanyaan sederhana: jika saya hanya mengubah satu fitur ini, bagaimana rata-rata prediksi berubah sementara yang lainnya tetap?

Metode ini menyapu sebuah fitur di sepanjang rentangnya, membuat prediksi pada setiap nilai untuk setiap baris, lalu merata-ratakan prediksi tersebut menjadi satu kurva.

Garis yang menanjak berarti nilai fitur yang lebih besar meningkatkan prediksi. Garis datar berarti model hampir tidak bereaksi terhadap fitur tersebut.

Ketergantungan parsial sangat berguna pada model nonlinier: kurva dapat menanjak, mendatar, atau menurun, sehingga mengungkap pengaruh yang mungkin disembunyikan oleh satu koefisien.

scikit-learn membuatnya untuk Anda menggunakan PartialDependenceDisplay, berdasarkan model, data, dan fitur yang ingin diperiksa.

Masukkan dua fitur dan Anda akan mendapatkan peta panas 2D yang menunjukkan bagaimana interaksi keduanya bersama-sama membentuk permukaan prediksi.

Plot ICE menggambar satu garis untuk setiap baris, bukan rata-rata, sehingga Anda dapat menemukan subkelompok yang memberikan respons berbeda.

Ketergantungan parsial mengasumsikan bahwa fitur-fitur kurang lebih saling independen. Korelasi yang kuat dapat menciptakan kombinasi yang tidak realistis dan menyesatkan kurva rata-rata.

SHAP memberikan kontribusi untuk setiap prediksi, sedangkan ketergantungan parsial menggambarkan bentuk keseluruhan pengaruh satu fitur di seluruh dataset.

Kurva sederhana yang naik atau turun mudah dipahami oleh nonahli, sehingga model kotak hitam berubah menjadi cerita yang jelas tentang sebab dan akibat.

Anda melihat bagaimana ketergantungan parsial mengubah fitur menjadi kurva yang mudah dibaca, dengan ICE untuk detail dan SHAP untuk kontribusi per baris. Berikutnya, diagram yang meyakinkan. 🎯