部分依賴圖 (Partial Dependence Plots, PDP) 是一種用於解釋機器學習模型預測結果的技術。它們可以顯示一個或兩個特徵對模型預測結果的邊際效應。
簡單來說，PDP 可以幫助你理解模型是如何基於特定的輸入特徵做出預測的，並揭示目標變數和感興趣的輸入特徵之間的關係，同時將所有其他特徵保持不變。以下是關於 PDP 的一些關鍵點：
* 顯示特徵與預測結果的關係： PDP 可以展示目標變數與一個或多個特徵之間是否呈現線性、單調或更複雜的關係。
* 邊際效應： PDP 著重於觀察當一個或兩個特徵的值發生變化時，模型預測的平均變化。
* 適用於分類和回歸： 對於分類模型，PDP 可以顯示給定特徵值時，模型預測特定類別的機率。對於回歸模型，則顯示預測值的變化。
* 保持其他特徵恆定： 為了隔離特定特徵的影響，PDP 在計算特定特徵的邊際效應時，會將所有其他特徵的值固定或在其可能的值上取平均。
* 解釋模型行為： PDP 是模型解釋性的重要工具，有助於理解模型是如何利用輸入特徵做出決策的。
總之，部分依賴圖是一種強大的工具，可以幫助我們深入了解複雜機器學習模型中特徵與預測結果之間的關係。
