Intuisi Kebergantungan Separa

Kepentingan memberitahu anda bahawa sesuatu ciri penting, tetapi bukan caranya. Plot kebergantungan separa menunjukkan arah dan bentuk kesan itu. 📈

Ia menjawab soalan yang jelas: jika saya mengubah hanya ciri ini, bagaimanakah purata ramalan berubah sedangkan semua yang lain kekal?

Kaedah ini menyapu sesuatu ciri merentasi julatnya, membuat ramalan pada setiap nilai untuk setiap baris, kemudian mempuratakan ramalan itu menjadi satu lengkung.

Garis yang menaik bermaksud nilai ciri yang lebih tinggi meningkatkan ramalan. Garis mendatar bermaksud model hampir tidak bertindak balas terhadap ciri itu.

Kebergantungan separa amat berguna pada model bukan linear: lengkung boleh menaik, mendatar atau menurun, lalu mendedahkan kesan yang akan disembunyikan oleh satu pekali sahaja.

scikit-learn melukiskan semua ini untuk anda menggunakan PartialDependenceDisplay, berdasarkan model, data dan ciri yang ingin diperiksa.

Berikan dua ciri dan anda akan mendapat peta haba 2D yang menunjukkan bagaimana interaksi kedua-duanya membengkokkan permukaan ramalan.

Plot ICE melukis satu garis bagi setiap baris dan bukannya purata, supaya anda dapat mengenal pasti subkumpulan yang memberikan tindak balas berbeza.

Kebergantungan separa mengandaikan ciri-ciri secara kasar adalah bebas. Korelasi yang kuat boleh menghasilkan gabungan yang tidak realistik dan mengelirukan lengkung purata.

SHAP memberikan kredit bagi setiap ramalan, manakala kebergantungan separa menerangkan bentuk keseluruhan kesan satu ciri merentasi set data.

Lengkung mudah yang menaik atau menurun mudah difahami oleh bukan pakar, lalu mengubah model kotak hitam menjadi cerita yang jelas tentang sebab dan akibat.

Anda melihat cara kebergantungan separa mengubah ciri menjadi lengkung yang mudah dibaca, dengan ICE untuk perincian dan SHAP untuk kredit setiap baris. Seterusnya, carta yang meyakinkan. 🎯