跳转至

⛄ plot_predictions

这篇文章介绍了 CatBoost 中 plot_predictions 方法的使用方法，该方法用于绘制指定特征值变化时模型预测值的图表。1

方法调用格式

plot_predictions(data,
                 features_to_change,
                 plot=True,
                 plot_file=None)

参数说明

data

  • 描述： 用于绘制预测值的输入数据集。例如，可以使用原始数据集的两个文档切片（参见下面的示例）。
  • 可能类型：
  • numpy.ndarray
  • pandas.DataFrame
  • pandas.SparseDataFrame
  • scipy.sparse.spmatrix（除 dia_matrix 以外的所有子类）
  • catboost.Pool
  • 默认值： 必填参数 1

features_to_change

  • 描述： 要改变预测值以绘制图表的数值特征列表。例如，可以通过选择根据预测差异（PredictionDiff）对一对对象预测结果影响最大的前 N 个重要特征来选择所需特征（参见下面的示例）。
  • 可能类型：
  • list of int
  • string
  • list of int & string 的组合
  • 默认值： 必填参数 1

plot

  • 描述： 是否绘制 Jupyter Notebook 图表。
  • 可能类型： bool
  • 默认值： True 1

plot_file

  • 描述： 要保存图表的输出 HTML 文件名。
  • 可能类型： string
  • 默认值： None（不保存文件） 1

返回值类型

plot_predictions 方法返回一个字典，包含两个字段：

  • 第一个字段： 包含所有数据集中对象的预测值的字典列表。
  • 第二个字段： 包含每个特征索引和对应特征值桶的预测值列表的字典。

示例

import numpy as np
from catboost import Pool, CatBoostClassifier

# 训练数据
train_data = np.random.randint(0, 100, size=(100, 10))
train_label = np.random.randint(0, 1000, size=(100))
train_pool = Pool(train_data, train_label)

# 数据集切片
train_pool_slice = train_pool.slice([2, 3])

# 训练模型
model = CatBoostClassifier()
model.fit(train_pool)

# 获取特征重要性
prediction_diff = model.get_feature_importance(train_pool_slice, type='PredictionDiff', prettified=True)

# 绘制预测值图表
model.plot_predictions(data=train_pool_slice,
                       features_to_change=prediction_diff["Feature Id"][:2],
                       plot=True,
                       plot_file="plot_predictions_file.html")

这个示例展示了如何使用 plot_predictions 方法绘制指定特征值变化时模型预测值的图表。 1

注意： 仅支持在不包含分类特征的数据集上训练的模型。不支持多分类模式。 1