day32官方文档的阅读

知识点回顾：

1. 官方文档的检索方式：github和官网
2. 官方文档的阅读和使用：要求安装的包和文档为同一个版本
3. 类的关注点：
   1. 实例化所需要的参数
   2. 普通方法所需要的参数
   3. 普通方法的返回值
4. 绘图的理解：对底层库的调用

作业：参考pdpbox官方文档中的其他类，绘制相应的图，任选即可

import pandas as pd
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
 
# 加载鸢尾花数据集
iris = load_iris()
df = pd.DataFrame(iris.data, columns=iris.feature_names)
df['target'] = iris.target  # 添加目标列（0-2类：山鸢尾、杂色鸢尾、维吉尼亚鸢尾）
 
# 特征与目标变量
features = iris.feature_names  # 4个特征：花萼长度、花萼宽度、花瓣长度、花瓣宽度
target = 'target'  # 目标列名
X_train, X_test, y_train, y_test = train_test_split(
    df[features], df[target], test_size=0.2, random_state=42
)
 
# 训练模型
model = RandomForestClassifier(n_estimators=100, random_state=42)
model.fit(X_train, y_train)
 
# 首先要确保库的版本是最新的，因为我们看的是最新的文档，库的版本可以在github上查看
import  pdpbox
print(pdpbox.__version__)  # pdpbox版本
from pdpbox.info_plots import PredictPlot
# 选择待分析的特征（如：petal length (cm)）
feature = 'petal length (cm)'
feature_name = feature  # 特征显示名称
# 初始化TargetPlot对象（移除plot_type参数）
predict_plot = PredictPlot(
    df = df,
    feature = feature,
    feature_name = feature_name,
    model=model,
    model_features=features,
    chunk_size=-1,
    grid_type='percentile',  # 分桶方式：百分位
    num_grid_points=10  # 划分为10个桶
)
 
fig, axes, summary_df = predict_plot.plot(
    which_classes=None,  # 绘制所有类别（0,1,2）
    show_percentile=True,  # 显示百分位线
    engine='plotly',
    template='plotly_white'
)
 
# 手动设置图表尺寸（单位：像素）
fig.update_layout(
    width=1000,  # 宽度800像素
    height=1000,  # 高度500像素
    title=dict(text=f'PredictPlot: {feature_name}', x=0.5)  # 居中标题
)
 
fig.show()