PartialDependenceDisplay#

class sklearn.inspection.PartialDependenceDisplay(pd_results, *, features, feature_names, target_idx, deciles, kind='average', subsample=1000, random_state=None, is_categorical=None)[Quelle]#

Partial Dependence Plot (PDP) und Individual Conditional Expectation (ICE).

Es wird empfohlen, from_estimator zu verwenden, um ein PartialDependenceDisplay zu erstellen. Alle Parameter werden als Attribute gespeichert.

Allgemeine Informationen zu Visualisierungswerkzeugen von scikit-learn finden Sie im Visualisierungsleitfaden. Anleitungen zur Interpretation dieser Diagramme finden Sie im Inspektionsleitfaden.

Ein Beispiel für die Verwendung dieser Klasse finden Sie im folgenden Beispiel: Erweiterte Diagrammerstellung mit Partial Dependence.

Hinzugefügt in Version 0.22.

Parameter:
pd_resultsListe von Bunch

Ergebnisse von partial_dependence für features.

featuresListe von (int,) oder Liste von (int, int)

Indizes der Merkmale für ein gegebenes Diagramm. Ein Tupel mit einer ganzen Zahl erstellt eine Partial-Dependence-Kurve eines Merkmals. Ein Tupel mit zwei ganzen Zahlen erstellt eine zweidimensionale Partial-Dependence-Kurve als Konturdiagramm.

feature_namesListe von str

Namen der Merkmale, die den Indizes in features entsprechen.

target_idxint

  • In einem Multiklassen-Szenario gibt die Klasse an, für die die PDPs berechnet werden sollen. Beachten Sie, dass bei binärer Klassifizierung immer die positive Klasse (Index 1) verwendet wird.

  • In einem Multi-Output-Szenario gibt die Aufgabe an, für die die PDPs berechnet werden sollen.

Ignoriert bei binärer Klassifizierung oder klassischen Regressionsszenarien.

decilesdict

Dezile für die Merkmalsindizes in features.

kind{‘average’, ‘individual’, ‘both’} oder Liste von solchen str, Standard=‘average’

Ob die partielle Abhängigkeit gemittelt über alle Stichproben im Datensatz oder eine Linie pro Stichprobe oder beides gezeichnet werden soll.

  • kind='average' ergibt das traditionelle PD-Diagramm;

  • kind='individual' ergibt das ICE-Diagramm;

  • kind='both' ergibt das Zeichnen sowohl der ICE- als auch der PD-Diagramme auf demselben Diagramm.

Eine Liste solcher Zeichenfolgen kann bereitgestellt werden, um kind pro Diagramm anzugeben. Die Länge der Liste sollte mit der Anzahl der in features angeforderten Interaktionen übereinstimmen.

Hinweis

ICE („individual“ oder „both“) ist keine gültige Option für zweidimensionale Interaktionsdiagramme. Daher wird ein Fehler ausgelöst. Zweidimensionale Interaktionsdiagramme sollten immer so konfiguriert werden, dass sie die „average“-Art verwenden.

Hinweis

Die schnelle Option method='recursion' ist nur für kind='average' und sample_weights=None verfügbar. Das Berechnen individueller Abhängigkeiten und gewichteter Mittelwerte erfordert die Verwendung der langsameren Methode method='brute'.

Hinzugefügt in Version 0.24: Parameter kind mit den Optionen 'average', 'individual' und 'both' hinzugefügt.

Hinzugefügt in Version 1.1: Möglichkeit hinzugefügt, eine Liste von Zeichenfolgen zu übergeben, um kind für jedes Diagramm anzugeben.

subsamplefloat, int oder None, Standard=1000

Stichproben für ICE-Kurven, wenn kind „individual“ oder „both“ ist. Wenn float, sollte er zwischen 0,0 und 1,0 liegen und den Anteil des Datensatzes darstellen, der zum Zeichnen von ICE-Kurven verwendet wird. Wenn int, stellt er die maximale absolute Anzahl der zu verwendenden Stichproben dar.

Beachten Sie, dass der vollständige Datensatz immer noch zur Berechnung der partiellen Abhängigkeit verwendet wird, wenn kind='both' ist.

Hinzugefügt in Version 0.24.

random_stateint, RandomState-Instanz oder None, default=None

Steuert die Zufälligkeit der ausgewählten Stichproben, wenn subsamples nicht None ist. Siehe Glossar für Details.

Hinzugefügt in Version 0.24.

is_categoricalListe von (bool,) oder Liste von (bool, bool), Standard=None

Gibt an, ob jedes Zielmerkmal in features kategorisch ist oder nicht. Die Liste sollte die gleiche Größe wie features haben. Wenn None, werden alle Merkmale als kontinuierlich angenommen.

Hinzugefügt in Version 1.2.

Attribute:
bounding_ax_matplotlib Axes oder None

Wenn ax eine Achse oder None ist, ist bounding_ax_ die Achse, auf der das Gitter der Partial-Dependence-Diagramme gezeichnet wird. Wenn ax eine Liste von Achsen oder ein NumPy-Array von Achsen ist, ist bounding_ax_ None.

axes_ndarray von matplotlib Axes

Wenn ax eine Achse oder None ist, ist axes_[i, j] die Achse in der i-ten Zeile und j-ten Spalte. Wenn ax eine Liste von Achsen ist, ist axes_[i] das i-te Element in ax. Elemente, die None sind, entsprechen einer nicht vorhandenen Achse an dieser Position.

lines_ndarray von matplotlib Artists

Wenn ax eine Achse oder None ist, ist lines_[i, j] die partielle Abhängigkeitskurve in der i-ten Zeile und j-ten Spalte. Wenn ax eine Liste von Achsen ist, ist lines_[i] die partielle Abhängigkeitskurve, die dem i-ten Element in ax entspricht. Elemente, die None sind, entsprechen einer nicht vorhandenen Achse oder einer Achse, die keine Linienzeichnung enthält.

deciles_vlines_ndarray von matplotlib LineCollection

Wenn ax eine Achse oder None ist, ist vlines_[i, j] die Linienkollektion, die die Dezile der x-Achse der i-ten Zeile und j-ten Spalte darstellt. Wenn ax eine Liste von Achsen ist, entspricht vlines_[i] dem i-ten Element in ax. Elemente, die None sind, entsprechen einer nicht vorhandenen Achse oder einer Achse, die kein PDP-Diagramm enthält.

Hinzugefügt in Version 0.23.

deciles_hlines_ndarray von matplotlib LineCollection

Wenn ax eine Achse oder None ist, ist vlines_[i, j] die Linienkollektion, die die Dezile der y-Achse der i-ten Zeile und j-ten Spalte darstellt. Wenn ax eine Liste von Achsen ist, entspricht vlines_[i] dem i-ten Element in ax. Elemente, die None sind, entsprechen einer nicht vorhandenen Achse oder einer Achse, die kein zweidimensionales Diagramm enthält.

Hinzugefügt in Version 0.23.

contours_ndarray von matplotlib Artists

Wenn ax eine Achse oder None ist, ist contours_[i, j] das partielle Abhängigkeitsdiagramm in der i-ten Zeile und j-ten Spalte. Wenn ax eine Liste von Achsen ist, ist contours_[i] das partielle Abhängigkeitsdiagramm, das dem i-ten Element in ax entspricht. Elemente, die None sind, entsprechen einer nicht vorhandenen Achse oder einer Achse, die kein Konturdiagramm enthält.

bars_ndarray von matplotlib Artists

Wenn ax eine Achse oder None ist, ist bars_[i, j] das partielle Abhängigkeitsbalkendiagramm in der i-ten Zeile und j-ten Spalte (für ein kategoriales Merkmal). Wenn ax eine Liste von Achsen ist, ist bars_[i] das partielle Abhängigkeitsbalkendiagramm, das dem i-ten Element in ax entspricht. Elemente, die None sind, entsprechen einer nicht vorhandenen Achse oder einer Achse, die kein Balkendiagramm enthält.

Hinzugefügt in Version 1.2.

heatmaps_ndarray von matplotlib Artists

Wenn ax eine Achse oder None ist, ist heatmaps_[i, j] die partielle Abhängigkeits-Heatmap in der i-ten Zeile und j-ten Spalte (für ein Paar kategorialer Merkmale). Wenn ax eine Liste von Achsen ist, ist heatmaps_[i] die partielle Abhängigkeits-Heatmap, die dem i-ten Element in ax entspricht. Elemente, die None sind, entsprechen einer nicht vorhandenen Achse oder einer Achse, die keine Heatmap enthält.

Hinzugefügt in Version 1.2.

figure_matplotlib Figure

Figur, die partielle Abhängigkeitsdiagramme enthält.

Siehe auch

partial_dependence

Berechnet partielle Abhängigkeitswerte.

PartialDependenceDisplay.from_estimator

Zeichnet partielle Abhängigkeiten.

Beispiele

>>> import numpy as np
>>> import matplotlib.pyplot as plt
>>> from sklearn.datasets import make_friedman1
>>> from sklearn.ensemble import GradientBoostingRegressor
>>> from sklearn.inspection import PartialDependenceDisplay
>>> from sklearn.inspection import partial_dependence
>>> X, y = make_friedman1()
>>> clf = GradientBoostingRegressor(n_estimators=10).fit(X, y)
>>> features, feature_names = [(0,)], [f"Features #{i}" for i in range(X.shape[1])]
>>> deciles = {0: np.linspace(0, 1, num=5)}
>>> pd_results = partial_dependence(
...     clf, X, features=0, kind="average", grid_resolution=5)
>>> display = PartialDependenceDisplay(
...     [pd_results], features=features, feature_names=feature_names,
...     target_idx=0, deciles=deciles
... )
>>> display.plot(pdp_lim={1: (-1.38, 0.66)})
<...>
>>> plt.show()
../../_images/sklearn-inspection-PartialDependenceDisplay-1.png
classmethod from_estimator(estimator, X, features, *, sample_weight=None, categorical_features=None, feature_names=None, target=None, response_method='auto', n_cols=3, grid_resolution=100, percentiles=(0.05, 0.95), custom_values=None, method='auto', n_jobs=None, verbose=0, line_kw=None, ice_lines_kw=None, pd_line_kw=None, contour_kw=None, ax=None, kind='average', centered=False, subsample=1000, random_state=None)[Quelle]#

Partial-Dependence- (PD) und Individual Conditional Expectation- (ICE) Diagramme.

Partial-Dependence-Diagramme, Individual Conditional Expectation-Diagramme oder eine Überlagerung von beidem können durch Einstellen des Parameters kind gezeichnet werden. Diese Methode erstellt ein Diagramm für jeden Eintrag in features. Die Diagramme sind in einem Gitter mit n_cols Spalten angeordnet. Bei eindimensionalen Partial-Dependence-Diagrammen werden die Dezile der Merkmalswerte auf der x-Achse angezeigt. Bei zweidimensionalen Diagrammen werden die Dezile auf beiden Achsen angezeigt und PDPs sind Konturdiagramme.

Allgemeine Informationen zu Visualisierungswerkzeugen von scikit-learn finden Sie im Visualisierungsleitfaden. Anleitungen zur Interpretation dieser Diagramme finden Sie im Inspektionsleitfaden.

Ein Beispiel für die Verwendung dieser Klassenmethode finden Sie unter Partial Dependence und Individual Conditional Expectation Plots.

Hinweis

PartialDependenceDisplay.from_estimator unterstützt nicht die Verwendung derselben Achsen mit mehreren Aufrufen. Um die partielle Abhängigkeit für mehrere Schätzer zu zeichnen, übergeben Sie bitte die durch den ersten Aufruf erstellten Achsen an den zweiten Aufruf.

>>> from sklearn.inspection import PartialDependenceDisplay
>>> from sklearn.datasets import make_friedman1
>>> from sklearn.linear_model import LinearRegression
>>> from sklearn.ensemble import RandomForestRegressor
>>> X, y = make_friedman1()
>>> est1 = LinearRegression().fit(X, y)
>>> est2 = RandomForestRegressor().fit(X, y)
>>> disp1 = PartialDependenceDisplay.from_estimator(est1, X,
...                                                 [1, 2])
>>> disp2 = PartialDependenceDisplay.from_estimator(est2, X, [1, 2],
...                                                 ax=disp1.axes_)

Warnung

Für GradientBoostingClassifier und GradientBoostingRegressor berücksichtigt die Methode 'recursion' (die standardmäßig verwendet wird) nicht den init-Prädiktor des Boosting-Prozesses. In der Praxis führt dies zu denselben Werten wie 'brute' bis auf eine konstante Verschiebung in der Zielantwort, vorausgesetzt, init ist ein konstanter Schätzer (was der Standard ist). Wenn init jedoch kein konstanter Schätzer ist, sind die partiellen Abhängigkeitswerte für 'recursion' falsch, da die Verschiebung stichprobenabhängig ist. Es ist vorzuziehen, die Methode 'brute' zu verwenden. Beachten Sie, dass dies nur für GradientBoostingClassifier und GradientBoostingRegressor gilt, nicht aber für HistGradientBoostingClassifier und HistGradientBoostingRegressor.

Hinzugefügt in Version 1.0.

Parameter:
estimatorBaseEstimator

Ein trainiertes Schätzerobjekt, das predict, predict_proba oder decision_function implementiert. Multi-Output-Multi-Klassen-Klassifikatoren werden nicht unterstützt.

X{array-like, dataframe} der Form (n_samples, n_features)

X wird verwendet, um ein Gitter von Werten für die Ziel-features zu generieren (an denen die partielle Abhängigkeit ausgewertet wird) und um Werte für die komplementären Merkmale zu generieren, wenn die method 'brute' ist.

featuresListe von {int, str, Paar von int, Paar von str}

Die Zielmerkmale, für die PDPs erstellt werden sollen. Wenn features[i] eine ganze Zahl oder ein String ist, wird eine eindimensionale PDP erstellt; wenn features[i] ein Tupel ist, wird eine zweidimensionale PDP erstellt (nur unterstützt mit kind='average'). Jedes Tupel muss eine Größe von 2 haben. Wenn ein Eintrag ein String ist, muss er in feature_names vorhanden sein.

sample_weightarray-like der Form (n_samples,), Standardwert=None

Stichprobengewichte werden verwendet, um gewichtete Mittelwerte bei der Mittelung der Modellantwort zu berechnen. Wenn None, dann sind die Stichproben gleich gewichtet. Wenn sample_weight nicht None ist, wird method auf 'brute' gesetzt. Beachten Sie, dass sample_weight für kind='individual' ignoriert wird.

Hinzugefügt in Version 1.3.

categorical_featuresarray-like der Form (n_features,) oder (n_categorical_features,), dtype={bool, int, str}, Standard=None

Zeigt die kategorialen Merkmale an.

  • None: kein Merkmal wird als kategorial betrachtet;

  • boolsches Array-like: boolsche Maske der Form (n_features,), die angibt, welche Merkmale kategorial sind. Somit hat dieses Array die gleiche Form wie X.shape[1];

  • Ganzzahl- oder Zeichenketten-Array-like: Ganzzahlindizes oder Zeichenketten, die kategoriale Merkmale angeben.

Hinzugefügt in Version 1.2.

feature_namesarray-like der Form (n_features,), dtype=str, Standard=None

Name jedes Merkmals; feature_names[i] enthält den Namen des Merkmals mit Index i. Standardmäßig entspricht der Name des Merkmals seinem numerischen Index für NumPy-Arrays und seinem Spaltennamen für Pandas-DataFrames.

targetint, Standard=None

  • In einem Multiklassen-Szenario gibt die Klasse an, für die die PDPs berechnet werden sollen. Beachten Sie, dass bei binärer Klassifizierung immer die positive Klasse (Index 1) verwendet wird.

  • In einem Multi-Output-Szenario gibt die Aufgabe an, für die die PDPs berechnet werden sollen.

Ignoriert bei binärer Klassifizierung oder klassischen Regressionsszenarien.

response_method{‘auto’, ‘predict_proba’, ‘decision_function’}, Standard=‘auto’

Gibt an, ob predict_proba oder decision_function als Zielantwort verwendet werden soll. Für Regressoren wird dieser Parameter ignoriert und die Antwort ist immer die Ausgabe von predict. Standardmäßig wird predict_proba zuerst versucht und zu decision_function zurückgefallen, wenn diese nicht existiert. Wenn method 'recursion' ist, ist die Antwort immer die Ausgabe von decision_function.

n_colsint, Standard=3

Die maximale Anzahl von Spalten im Gitterdiagramm. Nur aktiv, wenn ax eine einzelne Achse ist oder None.

grid_resolutionint, Standard=100

Die Anzahl der gleichmäßig verteilten Punkte auf den Achsen der Diagramme für jedes Zielmerkmal. Dieser Parameter wird durch custom_values überschrieben, wenn dieser Parameter gesetzt ist.

percentilesTupel von float, Standard=(0.05, 0.95)

Das untere und obere Perzentil, das zur Erstellung der Extremwerte für die PDP-Achsen verwendet wird. Muss im Bereich [0, 1] liegen. Dieser Parameter wird durch custom_values überschrieben, wenn dieser Parameter gesetzt ist.

custom_valuesdict

Ein Dictionary, das den Index eines Elements von features auf ein Array von Werten abbildet, an denen die partielle Abhängigkeit für dieses Merkmal berechnet werden soll. Das Setzen eines Wertebereichs für ein Merkmal überschreibt grid_resolution und percentiles.

Hinzugefügt in Version 1.7.

methodstr, Standard=‘auto’

Die Methode zur Berechnung der gemittelten Vorhersagen.

  • 'recursion' wird nur für einige baumbasierte Schätzer unterstützt (nämlich GradientBoostingClassifier, GradientBoostingRegressor, HistGradientBoostingClassifier, HistGradientBoostingRegressor, DecisionTreeRegressor, RandomForestRegressor, ist aber hinsichtlich der Geschwindigkeit effizienter. Mit dieser Methode ist die Zielantwort eines Klassifikators immer die Entscheidungsgrenze, nicht die Wahrscheinlichkeiten. Da die Methode 'recursion' implizit den Durchschnitt der ICEs berechnet, ist sie nicht mit ICE kompatibel und daher muss kind 'average' sein.

  • 'brute' wird für jeden Schätzer unterstützt, ist aber rechenintensiver.

  • 'auto': 'recursion' wird für Schätzer verwendet, die es unterstützen, und andernfalls 'brute'. Wenn sample_weight nicht None ist, wird 'brute' unabhängig vom Schätzer verwendet.

Bitte lesen Sie diesen Hinweis, um die Unterschiede zwischen der 'brute' und der 'recursion' Methode zu erfahren.

n_jobsint, default=None

Die Anzahl der CPUs, die zur Berechnung der partiellen Abhängigkeiten verwendet werden. Die Berechnung wird für die durch den Parameter features angegebenen Merkmale parallelisiert.

None bedeutet 1, außer in einem joblib.parallel_backend Kontext. -1 bedeutet die Verwendung aller Prozessoren. Siehe Glossar für weitere Details.

verboseint, default=0

Ausführliche Ausgabe während der PD-Berechnungen.

line_kwdict, Standard=None

Dict mit Schlüsselwörtern, die an den Aufruf von matplotlib.pyplot.plot übergeben werden. Für eindimensionale Partial-Dependence-Diagramme. Es kann verwendet werden, um gemeinsame Eigenschaften für sowohl ice_lines_kw als auch pdp_line_kw zu definieren.

ice_lines_kwdict, Standard=None

Dictionary mit Schlüsselwörtern, die an den Aufruf von matplotlib.pyplot.plot übergeben werden. Für ICE-Linien in eindimensionalen Partial-Dependence-Diagrammen. Die in ice_lines_kw definierten Schlüssel-Wert-Paare haben Vorrang vor line_kw.

pd_line_kwdict, Standard=None

Dictionary mit Schlüsselwörtern, die an den Aufruf von matplotlib.pyplot.plot übergeben werden. Für partielle Abhängigkeit in eindimensionalen Partial-Dependence-Diagrammen. Die in pd_line_kw definierten Schlüssel-Wert-Paare haben Vorrang vor line_kw.

contour_kwdict, Standard=None

Dict mit Schlüsselwörtern, die an den Aufruf von matplotlib.pyplot.contourf übergeben werden. Für zweidimensionale Partial-Dependence-Diagramme.

axMatplotlib-Achsen oder Array von Matplotlib-Achsen, Standard=None

  • Wenn eine einzelne Achse übergeben wird, wird diese als Begrenzungsachse behandelt und ein Gitter von Partial-Dependence-Diagrammen wird innerhalb dieser Grenzen gezeichnet. Der Parameter n_cols steuert die Anzahl der Spalten im Gitter.

  • Wenn ein Array von Achsen übergeben wird, werden die Partial-Dependence-Diagramme direkt in diese Achsen gezeichnet.

  • Wenn None, wird eine Figur und eine Begrenzungsachse erstellt und als einzelne Achse behandelt.

kind{‘average’, ‘individual’, ‘both’}, Standard=‘average’

Ob die partielle Abhängigkeit gemittelt über alle Stichproben im Datensatz oder eine Linie pro Stichprobe oder beides gezeichnet werden soll.

  • kind='average' ergibt das traditionelle PD-Diagramm;

  • kind='individual' ergibt das ICE-Diagramm.

Beachten Sie, dass die schnelle Option method='recursion' nur für kind='average' und sample_weights=None verfügbar ist. Das Berechnen individueller Abhängigkeiten und gewichteter Mittelwerte erfordert die Verwendung der langsameren Methode method='brute'.

centeredbool, Standard=False

Wenn True, beginnen die ICE- und PD-Linien am Ursprung der y-Achse. Standardmäßig erfolgt keine Zentrierung.

Hinzugefügt in Version 1.1.

subsamplefloat, int oder None, Standard=1000

Stichproben für ICE-Kurven, wenn kind „individual“ oder „both“ ist. Wenn float, sollte er zwischen 0,0 und 1,0 liegen und den Anteil des Datensatzes darstellen, der zum Zeichnen von ICE-Kurven verwendet wird. Wenn int, stellt er die absolute Anzahl der zu verwendenden Stichproben dar.

Beachten Sie, dass der vollständige Datensatz immer noch zur Berechnung der gemittelten partiellen Abhängigkeit verwendet wird, wenn kind='both' ist.

random_stateint, RandomState-Instanz oder None, default=None

Steuert die Zufälligkeit der ausgewählten Stichproben, wenn subsamples nicht None ist und kind entweder 'both' oder 'individual' ist. Siehe Glossar für Details.

Gibt zurück:
displayPartialDependenceDisplay

Siehe auch

partial_dependence

Berechnet partielle Abhängigkeitswerte.

Beispiele

>>> import matplotlib.pyplot as plt
>>> from sklearn.datasets import make_friedman1
>>> from sklearn.ensemble import GradientBoostingRegressor
>>> from sklearn.inspection import PartialDependenceDisplay
>>> X, y = make_friedman1()
>>> clf = GradientBoostingRegressor(n_estimators=10).fit(X, y)
>>> PartialDependenceDisplay.from_estimator(clf, X, [0, (0, 1)])
<...>
>>> plt.show()
../../_images/sklearn-inspection-PartialDependenceDisplay-2.png
plot(*, ax=None, n_cols=3, line_kw=None, ice_lines_kw=None, pd_line_kw=None, contour_kw=None, bar_kw=None, heatmap_kw=None, pdp_lim=None, centered=False)[Quelle]#

Zeichnet Partial Dependence Plots.

Parameter:
axMatplotlib-Achsen oder Array von Matplotlib-Achsen, Standard=None
  • Wenn eine einzelne Achse übergeben wird, wird sie als umschließende Achse behandelt

    und ein Gitter von Partial Dependence Plots wird innerhalb dieser Grenzen gezeichnet. Der Parameter n_cols steuert die Anzahl der Spalten im Gitter.

  • Wenn ein Array von Achsen übergeben wird, werden die Partial Dependence

    Plots direkt in diese Achsen gezeichnet.

  • Wenn None, wird eine Figur und eine umschließende Achse erstellt und behandelt

    als der Fall einer einzelnen Achse.

n_colsint, Standard=3

Die maximale Anzahl von Spalten im Gitter-Plot. Nur aktiv, wenn ax eine einzelne Achse ist oder None.

line_kwdict, Standard=None

Dict mit Schlüsselwörtern, die an den matplotlib.pyplot.plot Aufruf übergeben werden. Für einwegige Partial Dependence Plots.

ice_lines_kwdict, Standard=None

Dictionary mit Schlüsselwörtern, die an den Aufruf von matplotlib.pyplot.plot übergeben werden. Für ICE-Linien in eindimensionalen Partial-Dependence-Diagrammen. Die in ice_lines_kw definierten Schlüssel-Wert-Paare haben Vorrang vor line_kw.

Hinzugefügt in Version 1.0.

pd_line_kwdict, Standard=None

Dictionary mit Schlüsselwörtern, die an den Aufruf von matplotlib.pyplot.plot übergeben werden. Für partielle Abhängigkeit in eindimensionalen Partial-Dependence-Diagrammen. Die in pd_line_kw definierten Schlüssel-Wert-Paare haben Vorrang vor line_kw.

Hinzugefügt in Version 1.0.

contour_kwdict, Standard=None

Dict mit Schlüsselwörtern, die an den matplotlib.pyplot.contourf Aufruf für zweizwegige Partial Dependence Plots übergeben werden.

bar_kwdict, Standard=None

Dict mit Schlüsselwörtern, die an den matplotlib.pyplot.bar Aufruf für einwegige kategorische Partial Dependence Plots übergeben werden.

Hinzugefügt in Version 1.2.

heatmap_kwdict, Standard=None

Dict mit Schlüsselwörtern, die an den matplotlib.pyplot.imshow Aufruf für zweizwegige kategorische Partial Dependence Plots übergeben werden.

Hinzugefügt in Version 1.2.

pdp_limdict, Standard=None

Globale Minima und Maxima der durchschnittlichen Vorhersagen, so dass alle Plots die gleiche Skala und y-Grenzen haben. pdp_lim[1] ist das globale Minimum und Maximum für einzelne Partial Dependence Kurven. pdp_lim[2] ist das globale Minimum und Maximum für zweizwegige Partial Dependence Kurven. Wenn None (Standard), wird die Grenze aus dem globalen Minimum und Maximum aller Vorhersagen abgeleitet.

Hinzugefügt in Version 1.1.

centeredbool, Standard=False

Wenn True, beginnen die ICE- und PD-Linien am Ursprung der y-Achse. Standardmäßig erfolgt keine Zentrierung.

Hinzugefügt in Version 1.1.

Gibt zurück:
displayPartialDependenceDisplay

Gibt ein PartialDependenceDisplay Objekt zurück, das die Partial Dependence Plots enthält.