什么是 累积局部效应（ALE）？
累积局部效应（ALE）是一种全局模型检查方法：在有数据支持的特征区间内平均预测差分，将局部效应逐段累积并中心化，以描述已拟合模型的特征响应。
快速了解
| 规范文档 | 官方规范 |
|---|
工作原理
在有支持的区间内估计局部差分
先划分目标特征区间，常见做法是使用分位点。对每个区间，只取观测值落在其中的样本，把目标特征分别替换为上下边界，再平均两次预测之差。ALE 原始论文通过这种条件局部计算，避免把所有参考样本都外推到每个网格值。
累积局部效应并完成中心化
从基准边界开始逐段相加，再减去按样本加权的均值，使一阶 ALE 曲线整体均值为零。正值表示在所选输出尺度上，该特征值对应的模型贡献高于参考人群中的平均贡献，并不等于完整预测。二阶 ALE 还会去掉两个主效应，只保留额外交互曲面。
对分箱与解释做压力测试
分位数分箱能平衡样本数，却可能产生宽度差异很大的区间；分箱太少会过度平滑，太多则会形成噪声或空区间。应报告边界与计数，在多种分辨率和样本上复算，检查二维 ALE 的空单元，并与 PDP 或 ICE 对照。ALE 减少相关性导致的外推，但不会把拟合关联变成因果关系。
主要特点
- 在观测特征区间内平均上边界与下边界预测差
- 使用每个区间中其余特征的条件分布
- 累积局部效应，并把一阶曲线中心化为均值零
- 减少相关特征令 PDP 产生的无支持外推
- 支持一阶特征效应与已中心化的二阶交互
- 依赖分箱分辨率、样本支持、输出尺度和参考人群
常见用途
- 检查与其他输入强相关的特征对应的模型响应
- 与 PDP 比较特征效应形状以发现外推伪影
- 定位模型响应在有数据支持区间内改变方向的位置
- 去除主效应后检查两个特征的纯交互
- 监控不同模型版本或评估人群中的特征响应漂移
示例
Loading code...常见问题
累积局部效应是怎样计算的？
先把特征范围划成有样本支持的区间。对每个区间中的样本，分别把目标特征替换为上下边界，计算已拟合模型的预测差并取平均；随后从低到高累积这些局部均值，最后减去按样本权重计算的常数，使一阶 ALE 曲线整体均值为零。
为什么 ALE 有时比部分依赖图更合适？
PDP 会让所有样本都取每个网格值，特征相关时容易生成不合理组合。ALE 只在观测值所在的邻近区间计算变化，更贴近联合数据支持，因此能减少这种外推问题。但稀疏区间、分箱选择和条件样本不足仍会影响结果，不能免除诊断。
ALE 曲线中的正值代表什么？
完成中心化后，正的一阶 ALE 值表示在声明的输出尺度和参考人群中，该特征值对应的模型贡献高于该特征的平均贡献。它不是完整预测，也不一定是概率，更不是某个个体的归因值；解释时还要结合横轴数据密度、区间边界和模型目标。
ALE 应该使用多少个分箱？
没有通用数量。区间要足够细以保留真实形状，也要有足够样本使局部差分稳定。分位数边界通常能平衡计数，却可能造成宽度差异。应公开边界和样本数，在多种分辨率下复算，并把不稳定尾部或二维空单元标为缺少支持区域。
ALE 能解决相关特征带来的所有问题吗？
不能。ALE 通过条件区间中的局部差分减少 PDP 式外推，但在弱支持、近确定性相关、模型突变或分箱不稳时仍可能有噪声和歧义。它解释的是已拟合模型，不会自动识别现实因果效应；后者仍需因果图、识别假设和专门估计设计。