在机器学习中，了解模型如何根据输入特征做出预测是非常重要的。部分依赖图和个体条件期望（ICE）是两种可视化工具，它们可以帮助理解模型的行为。部分依赖图显示了在所有其他特征保持不变的情况下，一个或多个特征对模型预测的平均影响。而ICE图则展示了每个样本点在特征变化时的预测变化。
计算部分依赖图时，通常需要一个已经训练好的模型以及一组输入数据。可以选择一个或多个特征，然后为这些特征生成一个值的网格。接着，使用模型对网格中的每个点进行预测，并计算预测结果的平均值。这个过程可以通过不同的方法来实现，例如递归方法或暴力方法。递归方法在某些基于树的模型中更高效，但它不适用于ICE图。
在计算部分依赖图时，还需要考虑如何处理分类特征。如果知道哪些特征是分类的，可以在生成特征网格时将它们视为离散值。此外，还可以为输出响应指定不同的方法，例如使用预测概率或决策函数。这些选择将影响部分依赖图的计算方式和结果。
计算部分依赖图的函数接受多个参数，包括模型、输入数据、感兴趣的特征、样本权重等。其中，样本权重用于计算加权平均预测，如果提供了样本权重，则会自动切换到暴力方法。此外，还可以指定分类特征和特征名称，这有助于更准确地生成特征网格。
函数返回一个包含预测结果的字典，其中可能包括ICE图和平均预测值。ICE图显示了每个样本在特征变化时的预测变化，而平均预测值则显示了在所有样本上的平均预测变化。这些结果可以帮助理解模型对不同特征的敏感性，以及特征如何影响模型的预测。
from sklearn.ensemble import GradientBoostingClassifier
from sklearn.inspection import partial_dependence
# 假设有一个训练好的模型和一个数据集
X = [[0, 0, 2], [1, 0, 0]]
y = [0, 1]
gb = GradientBoostingClassifier(random_state=0)
gb.fit(X, y)
# 计算部分依赖图
result = partial_dependence(gb, features=[0], X=X, percentiles=(0, 1), grid_resolution=2)
在这个示例中，首先导入了必要的库，并创建了一个简单的数据集。然后，训练了一个梯度提升分类器，并使用部分依赖函数来计算特征0的部分依赖图。这个函数返回了一个包含预测结果的元组，可以使用这些结果来绘制部分依赖图。