部分依赖图

ayesha983

的误差度量可能取决于你想要解决的业务问题。事实上，要解释并从你的分析中获得最大的利润，你必须了解误差评估背后的基本概念。更重要的是，你必须考虑根据你的分析采取的行动。

本节深入探讨了模型可解释性的一些常见技术、它们如何应用于我们的 T 恤示例以及 Dataiku 如何提供帮助。请注意，本节深入介绍了解释技术，并且比本指南的其余部分略微高级一些，因此，如果您尚未准备好，您可以在掌握一些模型后随时返回到本节。

部分依赖图有助于解释单个特征 加纳电报数据 对模型预测的影响。例如，如果您尝试预测患者的再入院率并计算年龄特征的部分依赖图，您可能会发现再入院的可能性会随着年龄的增长而增加。

对于所有使用 Python 训练的模型（例如 scikit-learn、keras、自定义模型），Dataiku 可以计算并显示部分依赖图。该图显示目标对单个选定特征的依赖性。x 轴表示特征的值，而 y 轴显示部分依赖性。负部分依赖表示该特征值与目标之间存在负关系，而正部分依赖表示正关系。

例如，在下图中，从我们的 T 恤示例可以看出，对于 40 岁以下的人，age_first_order 与目标之间存在负相关关系。这种关系看起来大致呈抛物线状，最小值在 25 至 30 岁之间。40 岁以后，这种关系缓慢增加，直到晚年急剧下降。该图还显示了特征的分布，以便您可以确定是否有足够的数据来解释特征与目标之间的关系。