Wat is Partial Dependence Plot?

Wat is een Partial Dependence Plot eigenlijk?

Stel je voor: je hebt een AI-model dat bepaalt of iemand een lening krijgt. Dat model kijkt naar tientallen dingen tegelijk — leeftijd, inkomen, postcode, beroep, schulden. Maar hoe weet je nu precies wat leeftijd doet met die beslissing? Daar helpt een Partial Dependence Plot (PDP) bij.

Een PDP is een grafiek die laat zien hoe één kenmerk — laten we zeggen leeftijd — de uitkomst van het model beïnvloedt, terwijl je alle andere kenmerken gemiddeld houdt. Je ziet dan bijvoorbeeld: "Bij leeftijd 25 voorspelt het model 60% kans op goedkeuring, bij 45 jaar stijgt dat naar 80%." Zo ontdek je welke factoren écht meewegen, en hoe.

Het woord 'partial' slaat op dat je maar naar één deel (één variabele) kijkt. 'Dependence' betekent afhankelijkheid — hoe hangt de uitkomst af van die variabele? En 'plot' is gewoon een grafiek.

Hoe werkt het eigenlijk?

Het technische trucje is slim maar simpel uit te leggen. Je neemt je hele dataset — duizenden aanvragen bijvoorbeeld — en doet dan het volgende:

• Je pakt één kenmerk, bijvoorbeeld leeftijd

• Je zet die leeftijd voor iedereen op dezelfde waarde (eerst 20, dan 25, dan 30, enzovoort)

• Je laat het model voor al die aangepaste voorbeelden een voorspelling doen

• Je neemt het gemiddelde van al die voorspellingen

• Je herhaalt dat voor elke mogelijke leeftijd

• Je tekent de resultaten in een grafiek

Wat je dan ziet, is een lijn die laat zien: "Als iemand 20 is, zegt het model gemiddeld dit. Als iemand 40 is, zegt het model gemiddeld dat." Alle andere factoren (inkomen, postcode, etc.) zijn gemiddeld over je hele dataset — die 'verdwijnen' uit het zicht, zodat je puur het effect van leeftijd ziet.

Een voorbeeld uit de praktijk

Stel: een verzekeraar gebruikt een AI-model om premies te berekenen. Het model kijkt naar je leeftijd, je rookgedrag, je BMI, je sportgedrag, je woonplaats.

De verzekeraar maakt een PDP voor 'leeftijd'. De grafiek laat zien dat de voorspelde premie tot 30 jaar langzaam stijgt, tussen 30 en 50 redelijk vlak blijft, en na 55 opeens steil omhoog schiet. Dat roept vragen op: waarom die knik bij 55? Is dat medisch logisch, of heeft het model iets opgepikt uit de data dat misschien niet eerlijk is?

Zo'n plot helpt dus niet alleen om het model te begrijpen, maar ook om ongewenste patronen op te sporen — bijvoorbeeld als blijkt dat postcode een veel groter effect heeft dan je zou verwachten, wat kan wijzen op onbedoelde discriminatie.

Waar kom je het tegen?

Partial Dependence Plots worden vooral gebruikt in sectoren waar je moet kunnen uitleggen waarom een model een bepaalde beslissing neemt — denk aan financiële dienstverlening, zorg, verzekeringen, recruitment.

Je maakt ze met tools als:

• Python-bibliotheken: scikit-learn, SHAP, PDPbox, Yellowbrick

• R-pakketten: pdp, iml

• Business intelligence tools: sommige platforms zoals DataRobot of H2O.ai hebben ingebouwde PDP-visualisaties

• Explainable AI-platformen: Fiddler, Arize, Evidently

In de praktijk zie je ze vaak in rapporten of dashboards, als onderdeel van 'model explainability' — de poging om black-box AI begrijpelijk te maken voor mensen die er verantwoordelijkheid voor dragen.

Wat zijn de beperkingen?

Een PDP laat alleen het gemiddelde effect zien. Als het effect van leeftijd heel anders is voor mannen dan voor vrouwen, dan zie je dat niet terug in één PDP — je ziet alleen het gemiddelde van beide groepen. Daar bestaan uitbreidingen voor (bijvoorbeeld 'individual conditional expectation plots'), maar die zijn complexer.

Ook gaat een PDP ervan uit dat kenmerken onafhankelijk van elkaar zijn. In de praktijk hangen dingen vaak samen: iemand van 25 heeft vaak een ander inkomen dan iemand van 55. De PDP doet alsof je die los kunt zien, maar dat is een vereenvoudiging.

Toch is het een van de meest toegankelijke manieren om inzicht te krijgen in wat een model doet — zeker als je geen data scientist bent.

Wat kun je er nu mee?

Als je een AI-model gebruikt of evalueert — bijvoorbeeld als manager, compliance officer of inkoper — vraag dan om Partial Dependence Plots voor de belangrijkste kenmerken. Je hoeft ze niet zelf te maken, maar wel te kunnen lezen. Kijk of de patronen logisch zijn, of er onverwachte sprongen in zitten, en of factoren die niet zouden moeten meewegen (zoals geslacht of etniciteit) toch invloed hebben.

Voor wie modellen bouwt: PDP's zijn een standaard onderdeel van model-documentatie. Ze helpen je team én je stakeholders begrijpen wat er gebeurt — en dat is essentieel voor verantwoord AI-gebruik.