Graphiques de dépendance partielle

La dépendance partielle décrit une réponse moyenne du modèle lorsqu'une ou plusieurs fonctionnalités sont définies sur des valeurs choisies. Pour une seule caractéristique, la méthode prend chaque exemple d'évaluation, substitue la même valeur de caractéristique sélectionnée, obtient une prédiction, puis fait la moyenne des exemples. Répéter cette opération sur une grille produit une courbe. Il s’agit d’une vision du modèle ajusté, et non d’une estimation causale de ce qui se passerait si une personne ou un système était victime d’une intervention. La moyenne peut être utile pour déterminer comment les prévisions varient au sein d’une population, mais elle peut cacher une hétérogénéité importante. L'attente conditionnelle individuelle, ou ICE, trace une ligne distincte pour chaque exemple lorsque la fonctionnalité change. Si les lignes restent parallèles, les effets peuvent avoir une forme similaire ; s'ils s'étendent, se croisent ou se courbent différemment, la moyenne cache des variations. L'ICE centré soustrait la prédiction de chaque ligne à un point de référence pour faciliter la visualisation des différences de forme. Une limitation critique apparaît lorsque la fonctionnalité sélectionnée est corrélée avec d’autres entrées. Le calcul maintient les autres caractéristiques fixes tout en remplaçant une valeur, ce qui peut créer des combinaisons absentes des données. Un modèle peut alors être interrogé bien en dehors d’un support réaliste. Par exemple, augmenter l’âge d’une personne tout en maintenant constants ses antécédents scolaires ou professionnels peut produire des exemples peu plausibles. La moyenne peut être trompeuse même si elle est calculée correctement. Inspectez les distributions de données et la dépendance des fonctionnalités aux côtés des tracés. Limitez la grille aux plages observées, recherchez les régions clairsemées et envisagez des alternatives stratifiées ou conditionnelles. Les effets locaux accumulés résument les changements locaux sur les régions étayés par les données et peuvent réduire certains problèmes d'extrapolation, bien qu'ils répondent à une question différente. Utilisez la connaissance du domaine pour décider si les combinaisons de fonctionnalités ont du sens. Un graphique doit indiquer quelle sortie du modèle est affichée, comme une probabilité ou un score brut, l'échantillon évalué et la plage de valeurs des caractéristiques. Lisez toujours le visuel comme un comportement de modèle dans le cadre d'un calcul spécifique, et non comme une preuve de mécanisme ou d'équité.