PartialDependenceDisplay是当前标准接口，自scikit-learn 1.2起旧版PartialDependence类已被彻底移除；应从sklearn.inspection导入partial_dependence函数和PartialDependenceDisplay类，用from_estimator方法绘图，支持单变量、双变量交互及ICE曲线。
PartialDependence在sklearn里已经废弃了
从 scikit-learn 1.2 开始，PartialDependenceDisplay 和 partial_dependence 函数仍在，但 PartialDependence 这个类（旧版 API）已被彻底移除。如果你在文档或老教程里看到它，运行会直接报错：ModuleNotFoundError: No module named 'sklearn.ensemble.partial_dependence' 或 AttributeError。
现在标准做法是用 from sklearn.inspection import partial_dependence, PartialDependenceDisplay —— 注意不是从 sklearn.ensemble 导入。
画单变量部分依赖图最简流程
核心是两步：调用 partial_dependence 算数值，再用 PartialDependenceDisplay.from_estimator 画图。不用手动拼坐标轴，避免出错。
-
partial_dependence返回的是averaged_predictions（一维数组）和values（网格点），但你通常不需要自己处理它们 - 直接用
PartialDependenceDisplay.from_estimator更安全，它自动处理特征索引、标准化、多模型兼容等细节 - 必须传
features参数，格式为[0]（单特征索引）、[0, 1]（双特征交互）、或[("feature_a", "feature_b")]（列名形式，需 estimator 支持feature_names_in_） - 如果模型没经过
fit，会报NotFittedError；如果传的特征索引越界，报ValueError: features must be within [0, n_features_in)
from sklearn.ensemble import RandomForestRegressor from sklearn.inspection import PartialDependenceDisplay from sklearn.datasets import make_regression <p>X, y = make_regression(n_samples=1000, n_features=4, noise=0.1, random_state=42) model = RandomForestRegressor().fit(X, y)</p><h1>画第 0 号特征的部分依赖图</h1><p>PartialDependenceDisplay.from_estimator(model, X, features=[0])
画双特征交互图要注意维度匹配
交互图不是两个单变量图拼一起，而是二维等高线/热力图，计算开销明显上升。尤其当某特征取值范围大或离散水平高时，grid_resolution 默认 100 会导致内存暴涨或卡死。
图片提示词生成器？不止如此。 马甲系统 —— 把脑海中的画面，翻译成AI能理解的专业表达。 用得越多，它越懂你：首次需要多问几句确认方向，用久了几乎一说就懂。 用得越多，它越快：缓存机制让后续对话越来越省。 RAG进化：成功案例持续入库，越跑越聪明。 输入「新手指南」查看完整功能介绍
立即学习“Python免费学习笔记（深入）”；
- 默认
grid_resolution=100对两个特征就是 100×100=10000 次模型预测，树模型尚可，神经网络可能 OOM - 建议先用
grid_resolution=25快速验证，再视情况上调 - 若某特征是类别型（如
pd.Categorical），partial_dependence会尝试枚举所有类别，但PartialDependenceDisplay默认只支持数值型；此时需手动构造values并用plot_partial_dependence（旧函数，仍可用但不推荐）或改用sklearn.inspection.plot_partial_dependence（已弃用警告）—— 实际更稳妥的是用pdpbox或alibi - 传
features=[(0, 1)]是正确写法，features=[[0, 1]]会报错
为什么 plot_partial_dependence 警告 deprecated 却还在用
因为 sklearn.inspection.plot_partial_dependence（注意是函数，不是类）在 1.2+ 版本里被标为 deprecated，但尚未删除；而它的封装逻辑比 PartialDependenceDisplay.from_estimator 更底层，允许传 line_kw、ax 等细粒度控制参数。不过官方明确说未来会删，所以新项目别依赖它。
真正容易被忽略的点是：部分依赖图默认不显示置信区间。想加 ICE（individual conditional expectation）线？得显式传 kind="both"，且仅对单变量有效：
PartialDependenceDisplay.from_estimator(
model, X, features=[0], kind="both" # 会叠加 ICE 曲线
)
ICE 线数量默认最多 10 条（n_lines=10），太多图会乱，这个参数常被漏调。
