# 提問專區

## 6.1 Counterfactual Explanations
* Manhattan distance的計算? (Hsin)

## 5.9 Shapley Values
* Chernoff bounds如何用來決定iteration次數 (Hsin)

## 5.6 Global Surrogate
* 實作上如何讓代理模型的預測結果一直逼近複雜的模型？抽不同的資料？(仙琪)
* 選擇哪種代理模型有大原則嗎(仙琪)

## 5.5 Permutation Feature Importance
* 5.5.3 error increase為什麼要用1-AUC來計算(菀瑩)
* 與tree base model計算出來的importance差異(菀瑩)

## 5.4 Feature Interaction
* Python是否有套件可以做?(Hsin)
* demo 5.4.3的計算(Hsin)
* 雖然作者說很難講判定H-statistic多高才算strong interation，但是否能提供其他資料給一個範圍？(Hsin)

## 5.3 Acuumulated Local Effects (ALE)
* 請提供一個ALE計算的實例(Hsin)
* 說明為何ALE for two features estimate the second-order effect?(Hsin)
* 能否講解ALE for categorical features的細節？(Hsin)
* 不太明白Ｍ-plot v.s. conditiontal distribution 計算上的差異（仙）
* 而Ｍ-plot: mix the effect of a feature with the effects of all correlated features.是什麼意思？
* ALE 與 M-plot的差異
* 判斷categorical variables的similarity的確切做法？(Hsin)

## 5.2 Individual Conditional Expectation (ICE)
* Centered ICE Plot與PDP的差異(菀瑩)
* Derivative ICE Plot 雖然要畫很久且不實際，但要怎麼畫?(菀瑩)
* Centered ICE Plot的anchor point要怎麼選取？(品瑜)
* 延伸詢問為什麼要取最小值當錨點?(仙琪)
* 不太理解為什麼有了這個錨點所有的instance就比較具有可比較性?(仙琪)
* 可否舉個實例說明d-ICE?(J)
* 實務上當模型產出後，可以怎麼決定PDP & ICE的使用時機或者兩者有先後順序嗎(仙琪)
* PDP & ICE都需要滿足Feature間要獨立的假設，但目前從產出的圖形中我們能夠判斷所選的feature是否與其他features獨立嗎？

## 5.1 Partial Dependence Plot (PDP)

* 能不能用簡單例子說明PDP的運算邏輯？(Hsin)
* Figure 5.5提醒下結論要注意可能是correlation, not a causal，該怎麼判斷？(Hsin)
-->因果關係可參考「granger」檢定方法
* 判斷變數相關的方法 (文章提到解讀PDP的前提是假設變數之間獨立) 若明確變數相依，處理方法為何? (羽)
-->可待5.3章節 ALE
* 兩個最大的缺點該怎麼處理呢？（Julie）
* maximum number of features in a partial dependence function is two
* the feature(s) for which the partial dependence is computed are not correlated with other features.
* 以線性迴歸為例，PDP和迴歸係數的差異在哪裡？(品瑜)
-->解釋方式雷同，但底層計算方式不一樣
* PDP可以應用在任何模型嗎？或是有其限制？(品瑜)
-->可以，僅有模型變數獨立性之前提假設
###### tags: `提問`