使用pdp包生成多分类概率尺度部分依赖图遇参数问题求助

我明白你想要结合多分类全类别绘图和概率尺度预测的需求——你想用e1071的SVM模型输出类别概率，再用partial()生成每个类别的部分依赖图，但问题出在pred.fun只能接受两个参数（模型对象和新数据），没办法传入你需要的i（类别索引）对吧？

这里有几个可行的解决方案：

方案1：使用闭包（Closure）传递额外参数 #

闭包可以让你在定义pred.fun时捕获外部的类别索引i，这样pred.fun就只需要两个参数，完全符合partial()的要求。修改你的代码如下：

library(e1071)
library(pdp) # 假设你使用的是pdp包的partial函数

iris.svm <- svm(Species ~ ., data = iris, kernel = "radial", gamma = 0.75, cost = 0.25, probability = TRUE)

# 定义一个生成pred.fun的函数，传入目标类别索引i
make_pred_prob <- function(i) {
  function(object, newdata) {
    pred <- predict(object, newdata, probability = TRUE)
    prob.class <- attr(pred, which = "probabilities")[, i]
    mean(prob.class)
  }
}

# 测试闭包函数是否正常工作
test_fun <- make_pred_prob(1)
test_fun(iris.svm, iris)

pd <- NULL
for (i in 1:3) {
  # 为当前类别创建对应的pred.fun
  current_pred_fun <- make_pred_prob(i)
  tmp <- partial(iris.svm, pred.var = c("Petal.Width", "Petal.Length"), 
                 pred.fun = current_pred_fun, grid.resolution = 101, progress = "text")
  pd <- rbind(pd, cbind(tmp, Species = levels(iris$Species)[i]))
}

这个方法的核心是用make_pred_prob函数生成绑定了特定i值的闭包，让partial()调用的pred.fun严格符合“仅两个参数”的接口要求，同时保留了你需要的类别概率计算逻辑。

方案2：使用匿名函数临时绑定参数 #

如果你不想单独定义生成函数，也可以在循环里直接用匿名函数捕获当前的i值：

pd <- NULL
for (i in 1:3) {
  tmp <- partial(iris.svm, pred.var = c("Petal.Width", "Petal.Length"), 
                 pred.fun = function(object, newdata) {
                   pred <- predict(object, newdata, probability = TRUE)
                   prob.class <- attr(pred, which = "probabilities")[, i]
                   mean(prob.class)
                 }, grid.resolution = 101, progress = "text")
  pd <- rbind(pd, cbind(tmp, Species = levels(iris$Species)[i]))
}

这种方式更简洁，匿名函数会直接捕获循环中的i值，在R的循环环境中可以稳定运行。

方案3：利用pdp包的多分类特性简化代码 #

其实pdp包本身支持多分类模型的部分依赖图生成，虽然svm的概率输出需要通过attr提取，但结合闭包的思路，你也可以用lapply替代循环，让代码更简洁：

pd_list <- lapply(1:3, function(i) {
  pred_fun <- make_pred_prob(i)
  tmp <- partial(iris.svm, pred.var = c("Petal.Width", "Petal.Length"), 
                 pred.fun = pred_fun, grid.resolution = 101, progress = "text")
  cbind(tmp, Species = levels(iris$Species)[i])
})
pd <- do.call(rbind, pd_list)

总结一下，闭包是解决这类“函数接口有限制但需要传递额外参数”问题的标准R技巧，既保证了代码的可读性，又完美适配partial()的要求。

内容的提问来源于stack exchange，提问作者see24