python用已有数据集绘制部份依赖图模型用随机森林

要使用已有数据集绘制部分依赖图模型，你需要先使用随机森林模型拟合你的数据。以下是一个示例代码：

from sklearn.ensemble import RandomForestRegressor
from sklearn.datasets import load_boston
import matplotlib.pyplot as plt
import numpy as np

boston = load_boston()
X = boston.data
y = boston.target

rf = RandomForestRegressor(n_estimators=100, random_state=42)
rf.fit(X, y)

# 选择要绘制部分依赖图的特征
feature_index = 5
feature_values = np.sort(X[:, feature_index])
partial_dependence = np.zeros(len(feature_values))

# 对于每个特征值，计算部分依赖
for i, feature_value in enumerate(feature_values):
    X_temp = X.copy()
    X_temp[:, feature_index] = feature_value
    partial_dependence[i] = np.mean(rf.predict(X_temp))

# 绘制部分依赖图
plt.plot(feature_values, partial_dependence)
plt.xlabel(boston.feature_names[feature_index])
plt.ylabel('Partial Dependence')
plt.show()

这段代码使用 scikit-learn 库中的随机森林模型拟合了波士顿房价数据集。然后，选择了第 5 个特征（RM，即每个住宅的平均房间数）作为要绘制部分依赖图的特征，并对特征值从小到大排序。对于每个特征值，将该特征值替换到数据集中，然后计算模型的预测值的平均值，即部分依赖。最后，将特征值和部分依赖值绘制成一条曲线。