可以用PDPBox库来生成部分依赖图。示例如下: frommatplotlibimportpyplotaspltfrompdpboximportpdp,get_dataset,info_plots# Create the data that we will plotpdp_goals=pdp.pdp_isolate(model=tree_model,dataset=val_X,model_features=feature_names,feature='Goal Scored')# plot itpdp.pdp_plot(pdp_goals,'Goa...
部分依赖图,反映出了某一列特征,对目标列(target)的影响 例子: from sklearn.ensemble.partial_dependence import partial_dependence, plot_partial_dependence # get_some_data is defined in hidden cell above. X, y = get_some_data() # scikit-learn originally implemented partial dependence plots only fo...
4. 生成Partial dependence plots 现在我们已经训练好了模型,我们可以使用sklearn库的plot_partial_dependence函数来生成Partial dependence plots。这个函数可以接受训练好的模型和数据集作为输入,并指定要绘制的特征列。 # 生成Partial dependence plotsplot_partial_dependence(model,data,features=[feature])plt.show() 1...
新图在单预测变量部分依赖图部分的末尾。 添加两个预测变量部分依赖图 您可以为模型中尚未在图上的任何一对预测变量添加图。最初,预测变量表包括在结果中均没有图的模型的 5 个最强交互作用。请完成以下步骤以添加图: 在结果中...
如果最佳模型类型是 TreeNet® 模型,则结果包括部分依赖图。如果模型中提供了结果中没有的部分依赖图,则可以在结果中选择 单预测变量图 或双预测变量图 。可用的图可以是原始结果中没有的图,也可以是已删除的图。仅当模型的工作...
在结果中选择 单预测变量图。 在预测变量 中,输入要绘制的预测变量。 单击确定。 新图在 单预测变量部分依赖图 部分的末尾。 添加两个预测变量部分依赖图 您可以为模型中尚未在图上的任何一对预测变量添加图。最初,预测变量表包括在结果中均没...
要查找 X1 的部分依赖图的 y 坐标,请仅考虑涉及X1的基函数。那么只考虑 X1 的基函数的 x11 的拟合来自: 1000 − 5 * (max(0, 400 - 350)) = 1000 − 5*50 = 750。 那么x11 的y 坐标是 750 - 100 = 650。 将x11 替换为从 X1 到XN的均...