9、模型可解释性方法：从全局到局部

模型可解释性方法：从全局到局部

1. 全局可解释性方法

全局可解释性方法旨在帮助我们理解整个模型的行为，不依赖于特定的模型类型。以下是一些常见的全局可解释性方法及相关内容：
- 特征重要性 ：通过特征重要性分析，系统的最终用户（如负责人）能对所使用的模型更有信心。例如，可将数学成绩和家长教育水平的部分依赖图（PDP）代码扩展到其他学科领域（阅读和写作），还可对其他特征进行扩展，如选择第二重要的特征“学生种族或族裔”来生成其PDP。
- 特征交互 ：PDP可以扩展用于理解特征之间的交互。以预测数学成绩A、B、C和F为例，我们来研究两个最重要的特征——家长教育水平和学生族裔之间的交互。以下是使用PDPBox可视化特征交互的代码：

pdp_race_parent = pdp.pdp_interact(model=math_model, 
                                   dataset=df, 
                                   model_features=feature_cols, 
                                   features=['race_le', 'parent_le']) 

# Parameters for the Feature Interaction plot
plot_params = {
    # plot title and subtitle
    'title': 'PDP Interaction - Mat