什么是 部分依赖图（PDP）？
部分依赖图（PDP）是一种全局模型检查方法：把一个特征或少量特征固定为选定值，让其余特征沿用参考数据，再展示已拟合模型的平均预测。
快速了解
| 规范文档 | 官方规范 |
|---|
工作原理
先声明部分依赖的估计对象
计算前要固定已拟合模型、精确标量输出、目标特征、参考样本、样本权重和网格。对一个网格值，把每行的目标特征改为该值，再平均预测。Friedman 的梯度提升论文把这套部分依赖构造作为模型解释工具提出。
把平均曲线与个体差异一起阅读
单特征 PDP 给出平均响应曲线，双特征 PDP 可显示联合响应面。在参考样本与网格相同时，PDP 就是各条个体条件期望曲线的平均；不同群体中方向相反的效应可能相互抵消成水平线。应同时展示 ICE、分组 PDP 和数据密度，并明确纵轴是 Logit、概率、分数还是回归值。
检验支持范围、稳定性与因果边界
当被替换特征与其他输入相关时，PDP 会计算联合分布中不存在的组合。应把网格限制在有数据支持的分位区间，检查不可能样本，按重要群体复算，并与累积局部效应比较。曲线只描述模型输入被替换后的输出变化；没有明确因果模型与识别条件时，不能据此声称改变现实特征会产生同样结果。
主要特点
- 概括已拟合模型对一个特征或特征对的平均响应
- 在声明的参考数据上边缘化，而不重新训练模型
- 可显示非线性形状、阈值、饱和与低阶交互
- 使用相同样本和网格时等于 ICE 曲线的逐点平均
- 依赖目标输出、输出尺度、网格、权重和参考人群
- 可能评估无数据支持的组合，也不能自行建立因果关系
常见用途
- 检查生产模型是否学习了符合预期的单调响应
- 比较不同模型版本或业务群体的平均特征响应
- 在设计领域测试前初步检查双特征交互
- 识别数据稀疏、模型响应难以信任的取值区间
- 联合 ICE 或 ALE 排查平均曲线掩盖的异质性
示例
Loading code...常见问题
部分依赖图究竟估计什么？
它估计的是：在一组声明过的参考数据上，把目标特征依次设为各网格值后，已拟合模型所给标量输出的平均值。这个结果依赖模型、预处理、输出尺度、参考样本、权重和网格；任一配置变化都可能改变曲线，因此它不是脱离上下文的特征真效应。
PDP 与 ICE 图有什么区别？
ICE 为每个参考样本绘制一条随目标特征变化的预测曲线，PDP 则在每个网格点对这些曲线取平均。ICE 能暴露不同群体方向相反或强度不同的响应，PDP 更适合做紧凑的总体概括。两者应使用相同目标、样本、网格与输出尺度后再比较。
为什么相关特征会让 PDP 失真？
把一个特征替换为全局网格值、同时保留相关特征原值，会组合出训练分布中极少出现甚至不可能出现的样本，这些预测仍会进入平均。应检查联合支持范围、限制网格、按群体计算，并与 ALE 或条件方法交叉验证，而不是仅凭一条平滑曲线下结论。
分类模型的 PDP 应使用概率还是 Logit？
两种尺度都可以，但含义不同。概率更直观，却会受链接函数影响，在接近零或一时压缩变化；Logit 更容易观察分数尺度上的加性变化。报告时必须说明目标类别、对比方式、输出单位和校准步骤，不能把不同尺度的曲线直接比较。
PDP 能证明改变特征会产生因果效果吗？
不能。PDP 证明的是按指定替换规则改变模型输入时，模型输出怎样响应。模型可能编码混杂、代理变量、选择偏差或不可执行组合。现实因果结论还需要明确处理、结果和目标人群，给出识别假设与估计设计，并验证该干预在数据和业务上可成立。