這是機器學習入門教程系列的第三部分，點選這裡跳轉到第一部分，點選這裡跳轉到第二部分。

part6

通過前面的學習，我們掌握了用已有資料對目標進行預測的方法。在使用模型的時候，有些人或許會好奇，模型究竟是怎樣的？這裡我們通過一個獨特的視角——部分依賴圖（Partial Dependence Plots）來認識模型。

定義

部分依賴圖研究的是一組目標特徵和目標函式之間的依賴關係。通俗說：部分依賴圖顯示每個變數或因素對模型預測的影響。

完整程式碼

FILE_PATH ="C:\\Users\\Administrator\\Desktop\\kaggle\\data\\"
FILE_INDEX ="melb_data.csv"
 

# TEST_INDEX="test.csv"
# TRAIN_INDEX="train.csv"

import pandas as pd 
from sklearn.ensemble import GradientBoostingRegressor,GradientBoostingClassifier
from sklearn.ensemble.partial_dependence import partial_dependence,plot_partial_dependence
from sklearn.preprocessing import Imputer

cols_to_use = ['Distance'
 
, 'Landsize', 'BuildingArea']

def get_some_data():
    data =pd.read_csv(FILE_PATH+FILE_INDEX)
    y = data.Price
    X = data[cols_to_use]
    my_impute = Imputer()
    impute_X = my_impute.fit_transform(X)
    return impute_X,y

X,y = get_some_data()
my_model = GradientBoostingRegressor()
my_model.fit(X,y)
my_plots =plot_partial_dependence(my_model,features=[0
 
,1,2],
    X=X,feature_names=cols_to_use,
    grid_resolution=10)

import matplotlib.pyplot as plt 
plt.show()

• 實驗資料請到前幾章尋找。
• matplotlib這個模組後面會有講到。
• 部分依賴關係的計算是在模型擬合之後。

結果顯示