MerQuR+İstatistik Sözlüğü

İstatistik Sözlüğü → Kısmi bağımlılık grafiği

Kısmi bağımlılık grafiğikavram

Bir makine öğrenmesi modelinde bir açıklayıcının değeri değiştirildiğinde, diğer açıklayıcıların etkisi üzerinden ortalama alınarak modelin ortalama öngörüsünün nasıl değiştiğini gösteren grafik.

Rastgele orman, gradyan artırma ya da sinir ağı gibi modellerde tek tek katsayılar yoktur; bir değişkenin öngörüyü nasıl etkilediği doğrudan okunamaz. Kısmi bağımlılık grafiği (PDP) bu soruyu yanıtlamak için ilgilenilen değişkene bir dizi değer verir; her değer için veri kümesindeki tüm gözlemlerde bu değişkeni o değere sabitler, diğer değişkenleri olduğu gibi bırakır ve modelin öngörülerinin ortalamasını alır. Ortaya çıkan eğri, değişkenin modeldeki ortalama marjinal etkisini gösterir; doğrusal mı, eşikli mi, doygunluğa mı ulaşıyor görülebilir.

Grafik, modelin ne öğrendiğini gösterir; gerçek dünyadaki nedensel etkiyi değil. Değişkenler birbiriyle güçlü ilişkiliyse, grafik veride hiç bulunmayan değer birleşimlerinde (ör. 20 yaşında 40 yıllık deneyim) öngörü üreterek yanıltıcı olabilir; bu durumda birikimli yerel etki (ALE) grafikleri daha güvenilirdir. Ortalama, gözlemler arasında zıt yönlü etkileri gizleyebilir; bireysel koşullu beklenti (ICE) eğrileri bu heterojenliği gösterir.

Gündelik bir örnek

Bir emlak şirketi ev fiyatlarını rastgele ormanla öngörüyor. Merkeze uzaklık için çizilen kısmi bağımlılık grafiği, öngörülen fiyatın ilk 5 km'de hızla düştüğünü, sonra neredeyse düz kaldığını gösteriyor. Bu, modelin 'merkeze yakınlık ancak belirli bir mesafeye kadar önemli' ilişkisini öğrendiğini ortaya koyar.

MerQur'da

Rastgele Orman'da 'Ek çıktılar (ek metrikler, kısmi bağımlılık)' seçeneği PDP/ICE eğrilerini verir ve 'Grafik' PDP grafiğini çizebilir. Destek Vektör Makinesi, Gradyan Artırma, Karar Ağacı ve Yapay Sinir Ağı'nda 'Kısmi bağımlılık' seçeneği ek tablo ve grafik üretir; Destek Vektör Makinesi sınıflamada kısmi bağımlılık için Platt olasılığını kullanır.

Bu kavramın geçtiği analizler

Rastgele OrmanDestek Vektör MakinesiGradyan ArtırmaKarar AğacıYapay Sinir Ağı

İlgili kavramlar

SHAP değerleriPermütasyon önemi