sklearn.inspection.plot_partial_dependence?

sklearn.inspection.plot_partial_dependence(estimator, X, features, *, feature_names=None, target=None, response_method='auto', n_cols=3, grid_resolution=100, percentiles=(0.05, 0.95), method='auto', n_jobs=None, verbose=0, fig=None, line_kw=None, contour_kw=None, ax=None)

部分依賴圖。

這些len(features)圖以帶n_cols 列的網格形式排列。雙向偏相關圖被繪制為等高線圖。對于單向繪圖，特征值的十分位數將在刻度上顯示刻度線，對于雙向繪圖，將在兩個軸上顯示刻度線。

在用戶指南中閱讀更多內容。

注意:plot_partial_dependence不支持在多個調用中使用相同的軸。要繪制多個估計量的偏相關性，請將第一個調用創建的軸傳遞給第二個調用：

>>> from sklearn.inspection import plot_partial_dependence
>>> from sklearn.datasets import make_friedman1
>>> from sklearn.linear_model import LinearRegression
>>> X, y = make_friedman1()
>>> est = LinearRegression().fit(X, y)
>>> disp1 = plot_partial_dependence(est, X)  
>>> disp2 = plot_partial_dependence(est, X,
...                                 ax=disp1.axes_)  

警告：對于GradientBoostingClassifier和 GradientBoostingRegressor，“recursion”方法（默認使用）將不考慮提升過程的init預測因子。實際上，init是常量估計器（默認），這將產生與“brute”相同的值，直到目標響應中的偏移量恒定。但是，如果init不是常量估計量，則部分相關性值對于“recursion”是不正確的，因為偏移量將取決于樣本。最好使用“brute”方法。請注意，這僅適用于 GradientBoostingClassifier和 GradientBoostingRegressor，不適用于 HistGradientBoostingClassifier和 HistGradientBoostingRegressor。

參數 說明
estimator BaseEstimator
一個合適的估計對象，實現了預測， 預測或決策函數。不支持多輸出多類分類器。
X {array-like or dataframe} of shape (n_samples, n_features)
X用于為目標features(其中部分依賴將被評估)生成一個值網格，也用于在method為‘brute’時為補充特征生成值。
features list of {int, str, pair of int, pair of str}
要為其創建PDP的目標特征。如果features [i]是一個int或字符串，則將創建一個單向PDP；如果features [i]是一個元組，則會創建一個雙向PDP。每個元組的大小必須為2。如果傳入的是字符串，則它必須在feature_names中。
feature_names array-like of shape (n_features,), dtype=str, default=None
每個特征的名稱；feature_names [i]保存索引為i的特征名稱。默認情況下，特征的名稱對應于NumPy數組的數字索引和pandas數據框的列名稱。
target int, optional (default=None)
- 在多類設置中，指定應為其計算PDP的類。請注意，對于二進制分類，始終使用正類（索引為1）。
- 在多輸出設置中，指定應為其計算PDP的任務。

在二進制分類或經典回歸設置中被忽略。
response_method ‘auto’, ‘predict_proba’ or ‘decision_function’, optional (default=’auto’)
指定是使用predict_proba還是 decision_function作為目標響應。對于回歸變量，將忽略此參數，并且響應始終是預測的輸出 。默認情況下，最先嘗試使用predict_proba，如果不存在，將恢復為decision_function。如果 method是“recursion”，響應輸出總是 decision_function。
n_cols int, optional (default=3)
網格圖中的最大列數。僅在ax 為單軸或None時有效。
grid_resolution int, optional (default=100)
對于每個目標特征，在繪圖軸上等距的點數。
percentiles tuple of float, optional (default=(0.05, 0.95))
上下百分比，用于為PDP軸創建極值。必須在[0，1]中。
method str, optional (default=’auto’)
用于計算平均預測的方法：

- “recursion”只支持一些基于樹的估計（即 GradientBoostingClassifier， GradientBoostingRegressor， HistGradientBoostingClassifier， HistGradientBoostingRegressor， DecisionTreeRegressor， RandomForestRegressor 但在速度方面更有效率。通過這種方法，分類的目標響應始終是決策函數，而不是預測的概率。

- 'brute' 任何估算器均支持，但計算量更大。
- 'auto'：'recursion'用于支持它的估計器，否則使用'brute'。

請參閱此注釋，以了解“brute”和“recursion”方法之間的區別。
n_jobs int, optional (default=None)
用于計算部分依賴關系的CPU數量。 除非上下文中設置了joblib.parallel_backend，否則None表示1 。 -1表示使用所有處理器。有關更多詳細信息，請參見詞匯表。
verbose int, optional (default=0)
PD計算期間的輸出詳細程度。
fig Matplotlib figure object, optional (default=None)
一個圖形對象，在圖形被清除后，將在其上繪制圖形。默認情況下，會創建一個新的。

自0.22版本起已棄用：fig將在0.24中刪除。
line_kw dict, optional
對于單向偏相關圖，包含傳遞給matplotlib.pyplot.plot的關鍵字字典。
contour_kw dict, optional
對于雙向部分依賴圖，包含傳遞給matplotlib.pyplot.contourf的關鍵字字典。
ax Matplotlib axes or array-like of Matplotlib axes, default=None
- 如果傳入單個軸，則將其視為邊界軸，并在這些邊界內繪制部分依賴圖網格。n_cols參數控制網格中的列數。
- 如果傳入一個類數組的軸，則部分依賴圖將直接繪制到這些軸中。
- 如果None，則創建圖形和邊界軸，并將其視為單軸情況。
返回值 說明
display PartialDependenceDisplay

另見

示例

>>> from sklearn.datasets import make_friedman1
>>> from sklearn.ensemble import GradientBoostingRegressor
>>> X, y = make_friedman1()
>>> clf = GradientBoostingRegressor(n_estimators=10).fit(X, y)
>>> plot_partial_dependence(clf, X, [0, (0, 1)]) #doctest: +SKIP

sklearn.inspection.plot_partial_dependence使用示例?