我正在使用R中的iml包提供的ALE实现。这个包附带了通常的documentation，vignette，甚至是非常好的book。
我已经研究了这三种方法，试图找出分类任务中ALE值的确切解释。我确实有一个高层次的理解：当从一个特征值移动到相邻的一个特征值时，增加ALE值意味着模型预测特定类别的概率增加。
我不明白的是：在不同的场景中，确切的ALE值是多少？它是使用从模型中提取的概率还是iml通过type提取的概率？我将基于iml documentation和caret documentation的三种不同的分类模型混淆在一起：
1.一个基于caret的RF，它不显式地提取类概率
1.一个基于caret的RF，可以显式提取类概率
1.基于rpart的DT
然后我用iml以两种方式绘制它们：
1.使用type=“prob”（根据iml的文档，这可能是我应该为分类模型做的：“经典的用例是对分类模型说type=“prob””）
1.不使用type=“prob”，而是“raw”（如果可能）或“class”
这给了我六个图（代码见下文），其中只有两个是定性和定量相同的（#3和#6），另一个至少是定性相同的（#4），另外三个只是定性有点相似（#1，#2和#5）：

的数据
我知道一个人不应该在一个帖子里问多个问题，但这些问题是如此紧密相关，我觉得为每个问题单独创建一个帖子会很混乱。

• #1和#2是否由于两个RF模型的随机性而略有不同，但我是否从基于caret的RF模型中提取概率对iml的ALE真的没有作用？
• 如果是的话，为什么#4和#5如此不同，因为它们也仅通过与#1和#2相同的两个RF模型的随机性而不同？
• 为什么#3看起来与#4和#6相似，尽管一个是type“prob”（可能是正确的），一个是“prob”类型，一个是“class”类型（两者可能都不正确）？

y轴上到底是什么？它如何取决于我是否通过caret提取概率？为什么“错误的”type并不总是有区别？

library(rpart)
library(caret)
library(iml)

data(iris)
TrainData <- iris[,1:4]
TrainClasses <- iris[,5]

## Train three different models
# RF w/o extracting probabilities
cntrl_noprobs<-trainControl(method = "oob", number=5, sampling="up", search="grid", verboseIter=TRUE, savePredictions=TRUE, classProbs=FALSE)
rf_noprobs <- caret::train(TrainData, TrainClasses, method="rf", ntree=100, metric="Kappa", trControl=cntrl_noprobs)
# RF w/ extracting probabilities
cntrl_probs<-trainControl(method = "oob", number=5, sampling="up", search="grid", verboseIter=TRUE, savePredictions=TRUE, classProbs=TRUE)
rf_probs <- caret::train(TrainData, TrainClasses, method="rf", ntree=100, metric="Kappa", trControl=cntrl_probs)
# DT
dt <- rpart(Species ~ ., data = iris)

## Create ALE plots with type="prob"
mod_rf_noprobs_prob <- Predictor$new(rf_noprobs, data = iris, type = "prob")
plot(FeatureEffect$new(mod_rf_noprobs_prob, feature = "Petal.Width")) + ggtitle("caret classProbs=FALSE | iml type=prob")
mod_rf_probs_prob <- Predictor$new(rf_probs, data = iris, type = "prob")
plot(FeatureEffect$new(mod_rf_probs_prob, feature = "Petal.Width")) + ggtitle("caret classProbs=TRUE | iml type=prob")
mod_dt_prob <- Predictor$new(dt, data = iris, type = "prob")
plot(FeatureEffect$new(mod_dt_prob, feature = "Petal.Width")) + ggtitle("rpart | iml type=prob")

## Create ALE plots with type="raw" or "class"
mod_rf_noprobs_raw <- Predictor$new(rf_noprobs, data = iris, type = "raw")
plot(FeatureEffect$new(mod_rf_noprobs_raw, feature = "Petal.Width")) + ggtitle("caret classProbs=FALSE | iml type=raw")
mod_rf_probs_raw <- Predictor$new(rf_probs, data = iris, type = "raw")
plot(FeatureEffect$new(mod_rf_probs_raw, feature = "Petal.Width")) + ggtitle("caret classProbs=TRUE | iml type=raw")
mod_dt_class <- Predictor$new(dt, data = iris, type = "class")
plot(FeatureEffect$new(mod_dt_class, feature = "Petal.Width")) + ggtitle("rpart | iml type=class")

字符串