Показывает средний эффект признака на предсказание при усреднении по остальным признакам.
Ключевые тезисы
- Хорошо выявляет нелинейности и точки насыщения.
- Искажается при сильной корреляции признаков (ALE-графики надёжнее).
- Двумерная версия визуализирует взаимодействие пары признаков.
Подробный разбор
2 подтем — раскройте любую, чтобы увидеть объяснение, формулы, примеры и интерактивные графики.
1График частичной зависимости
Средний эффект признака при усреднении по остальным.
- объект: вектор признаков
- число объектов в выборке
- суммирование по всем перечисленным элементам
Если признаки коррелированы, PDP подставляет нереалистичные комбинации (рост 150 см и вес 120 кг) — результат искажается. ALE-графики решают это, усредняя локальные изменения внутри узких интервалов.
2ALE как замена PDP
Что делать при коррелированных признаках.
ALE (Accumulated Local Effects) считает не средний эффект по всем объектам, а средние локальные изменения внутри узких интервалов значений признака, и накапливает их. Нереалистичные комбинации при этом не подставляются.
- математическое ожидание — среднее по распределению
- объект: вектор признаков
- интегрирование — непрерывный аналог суммы
- частная производная — чувствительность к одному аргументу
Связанные темы
Объяснение предсказаний
SHAP85%
SHAP · Интерпретируемость моделейРаспределение вклада признаков на основе значений Шепли из теории игр — с гарантиями аддитивности и согласованности.
LIME85%
LIME · Интерпретируемость моделейЛокальная аппроксимация сложной модели простой линейной в окрестности конкретного объекта.
ICE85%
ICE-кривые · Интерпретируемость моделейIndividual Conditional Expectation: та же зависимость, но отдельной линией для каждого объекта.
Counterfactual explanations85%
Контрфактические объяснения · Интерпретируемость моделейМинимальное изменение входа, которое меняет решение модели: «что нужно поменять, чтобы кредит одобрили».
Permutation Importance85%
Перестановочная важность · Интерпретируемость моделейПризнак перемешивается, и измеряется падение качества модели — модельно-независимый и честный подход.
Logistic Regression85%
Логистическая регрессия · Классическое машинное обучениеЛинейная модель классификации: сигмоида переводит линейную комбинацию признаков в вероятность класса.