Note

Go to the end to download the full example code. or to run this example in your browser via Binder

使用部分依赖的高级绘图#

PartialDependenceDisplay 对象可以用于绘图，而无需重新计算部分依赖。在这个示例中，我们展示了如何绘制部分依赖图以及如何使用可视化 API 快速自定义图表。

Note

import matplotlib.pyplot as plt
import pandas as pd

from sklearn.datasets import load_diabetes
from sklearn.inspection import PartialDependenceDisplay
from sklearn.neural_network import MLPRegressor
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.tree import DecisionTreeRegressor

在糖尿病数据集上训练模型#

首先，我们在糖尿病数据集上训练一个决策树和一个多层感知器。

diabetes = load_diabetes()
X = pd.DataFrame(diabetes.data, columns=diabetes.feature_names)
y = diabetes.target

tree = DecisionTreeRegressor()
mlp = make_pipeline(
    StandardScaler(),
    MLPRegressor(hidden_layer_sizes=(100, 100), tol=1e-2, max_iter=500, random_state=0),
)
tree.fit(X, y)
mlp.fit(X, y)

Pipeline(steps=[('standardscaler', StandardScaler()),
                ('mlpregressor',
                 MLPRegressor(hidden_layer_sizes=(100, 100), max_iter=500,
                              random_state=0, tol=0.01))])

In a Jupyter environment, please rerun this cell to show the HTML representation or trust the notebook.
On GitHub, the HTML representation is unable to render, please try loading this page with nbviewer.org.

绘制两个特征的部分依赖图#

我们为决策树的特征“age”和“bmi”（身体质量指数）绘制部分依赖曲线。对于两个特征，from_estimator 期望绘制两条曲线。这里，绘图函数使用 ax 定义的空间放置了一个包含两个图的网格。

fig, ax = plt.subplots(figsize=(12, 6))
ax.set_title("Decision Tree")
tree_disp = PartialDependenceDisplay.from_estimator(tree, X, ["age", "bmi"], ax=ax)

可以为多层感知机绘制部分依赖曲线。在这种情况下， line_kw 被传递给 from_estimator 以更改曲线的颜色。

fig, ax = plt.subplots(figsize=(12, 6))
ax.set_title("Multi-layer Perceptron")
mlp_disp = PartialDependenceDisplay.from_estimator(
    mlp, X, ["age", "bmi"], ax=ax, line_kw={"color": "red"}
)

绘制两个模型的部分依赖图#

tree_disp 和 mlp_disp PartialDependenceDisplay 对象包含了重新创建部分依赖曲线所需的所有计算信息。这意味着我们可以轻松创建额外的图表，而无需重新计算曲线。

一种绘制曲线的方法是将它们放在同一个图中，每个模型的曲线位于每一行。首先，我们创建一个包含两行一列的图形，并在其中放置两个坐标轴。这两个坐标轴将传递给 tree_disp 和 mlp_disp 的 plot 函数。给定的坐标轴将被绘图函数用来绘制部分依赖图。最终的图将决策树的部分依赖曲线放在第一行，多层感知器的部分依赖曲线放在第二行。

fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(10, 10))
tree_disp.plot(ax=ax1)
ax1.set_title("Decision Tree")
mlp_disp.plot(ax=ax2, line_kw={"color": "red"})
ax2.set_title("Multi-layer Perceptron")

Text(0.5, 1.0, 'Multi-layer Perceptron')

另一种比较曲线的方法是将它们叠加在一起绘制。在这里，我们创建一个包含一行两列的图形。将坐标轴作为列表传递给 plot 函数，该函数将在相同的坐标轴上绘制每个模型的部分依赖曲线。坐标轴列表的长度必须等于绘制的图的数量。

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(10, 6))
tree_disp.plot(ax=[ax1, ax2], line_kw={"label": "Decision Tree"})
mlp_disp.plot(
    ax=[ax1, ax2], line_kw={"label": "Multi-layer Perceptron", "color": "red"}
)
ax1.legend()
ax2.legend()

plot partial dependence visualization api

<matplotlib.legend.Legend object at 0xffff86fd0c10>

tree_disp.axes_ 是一个 numpy 数组，包含用于绘制部分依赖图的坐标轴。可以将其传递给 mlp_disp ，以实现将图形叠加绘制的效果。此外， mlp_disp.figure_ 存储了图形对象，这允许在调用 plot 之后调整图形的大小。在这种情况下， tree_disp.axes_ 有两个维度，因此 plot 只会在最左边的图上显示 y 轴标签和 y 轴刻度。

tree_disp.plot(line_kw={"label": "Decision Tree"})
mlp_disp.plot(
    line_kw={"label": "Multi-layer Perceptron", "color": "red"}, ax=tree_disp.axes_
)
tree_disp.figure_.set_size_inches(10, 6)
tree_disp.axes_[0, 0].legend()
tree_disp.axes_[0, 1].legend()
plt.show()

绘制单个特征的部分依赖图#

在这里，我们在同一坐标轴上绘制单个特征“年龄”的部分依赖曲线。在这种情况下， tree_disp.axes_ 被传递到第二个绘图函数中。

tree_disp = PartialDependenceDisplay.from_estimator(tree, X, ["age"])
mlp_disp = PartialDependenceDisplay.from_estimator(
    mlp, X, ["age"], ax=tree_disp.axes_, line_kw={"color": "red"}
)