期刊配图：两个输入变量共同作用对模型的影响：3D偏依赖图(PDP)与ALE图 - 文章 - 开发者社区

picture.image

✨ 欢迎关注Python机器学习AI ✨

本节介绍：两个输入变量共同作用对模型的影响：3D偏依赖图(PDP)与ALE图。数据采用模拟数据，作者根据个人对机器学习的理解进行代码实现与图表输出，细节并不保证与原文一定相同，仅供参考。完整数据和代码、文献将在稍后上传至交流群，付费成员可在交流群中获取下载。需要的朋友可关注公众文末提供的购买方式。购买前请咨询，避免不必要的问题。

✨ 文献信息 ✨

picture.image

该文献配图使用 三维偏依赖图 (3D Partial Dependence Plots) 来可视化不同 成对输入变量 （如半纤维素含量HEC、最高处理温度HTT等）之间的 交互作用 如何共同影响目标产物（如产率）的预测值，旨在揭示关键工艺参数组合对结果的影响模式

接下来，我们将在模拟数据集上进行相应的复现，以更直观地理解其构建过程；但鉴于偏依赖图（PDP）对多重共线性较为敏感，若多个自变量（特征）之间高度相关，可能导致其估计结果产生偏差和不稳定性，因此我们也将一并展示同样形式的三维累积局部效应图（ALE图），作为对PDP结果的补充和稳健性验证

✨ 模拟实现 ✨

picture.image

该模拟可视化展示了两个特征sqft_living和sqft_lot对模型预测影响的两种不同解释方法

左图为三维偏依赖图 (3D PDP)。其X轴表示sqft_living（居住面积），Y轴表示sqft_lot（地块面积）。Z轴（以及颜色映射条）代表的是偏依赖值 (Partial dependence)，显示当sqft_living和sqft_lot取特定组合值时，模型对目标变量的平均预测值

右图为三维累积局部效应图(3D ALE)。其X轴和Y轴与左图相同，分别代表sqft_living和sqft_lot。然而，其 Z 轴（以及颜色映射条）代表的是对预测的影响 (Effect on prediction)。这表示的是，在特定的sqft_living和sqft_lot组合下，模型预测值相对于平均预测值的变化量或偏差，正值表示该特征组合使预测增加，负值表示减少

关键区别在于 Z 轴的含义 ：PDP 显示的是预测值的绝对水平，而 ALE 显示的是特征对预测值的相对影响或贡献，已经剔除了平均效应。因此，解读时务必注意，两者颜色映射条所代表的数值含义是完全不同的，不能混淆

✨ 基础代码 ✨

  
import pandas as pd  
import numpy as np  
import matplotlib.pyplot as plt  
plt.rcParams['font.family'] = 'Times New Roman'  
plt.rcParams['axes.unicode_minus'] = False  
import warnings  
# 忽略所有警告  
warnings.filterwarnings("ignore")  
  
path = r"2025-5-20公众号Python机器学习AI.xlsx"  
df = pd.read_excel(path)  
from sklearn.model_selection import train_test_split  
# 划分特征和目标变量  
X = df.drop(['log_price', 'UTM_X', 'UTM_Y'], axis=1)    
y = df['log_price']    
  
# 划分训练集和测试集  
X_train, X_test, y_train, y_test = train_test_split(X,  y,  test_size=0.3,  random_state=42)  
from sklearn.ensemble import RandomForestRegressor  
# 构建默认的随机森林回归模型  
rf_model = RandomForestRegressor(random_state=42)  
# 训练模型  
rf_model.fit(X_train, y_train)  
from sklearn.inspection import PartialDependenceDisplay  
# 选择两个特征绘制2D PDP  
features = ['sqft_living', 'sqft_lot']  
  
# 使用 contour_kw 参数绘制2D PDP  
fig, ax = plt.subplots(figsize=(10, 6), dpi=1200)  
PartialDependenceDisplay.from_estimator(  
    rf_model,  
    X_test,  
    features=[features],  
    kind='average',  
    grid_resolution=100,  
    contour_kw={'cmap': 'viridis', 'alpha': 0.8},  
    ax=ax  
)  
plt.savefig("2.pdf", format='pdf',bbox_inches='tight', dpi=1200)  
plt.show()

picture.image

加载数据训练一个随机森林回归模型，然后对sqft_living和sqft_lot这两个特征，生成并显示一二维等高线偏依赖图，该图展示了这两个特征不同取值组合下模型对目标变量log_price的平均预测值

  
from PyALE import ale  
ale_eff = ale(X=X_test, model=rf_model, feature=["sqft_lot", "sqft_living"], grid_size=100)  
plt.savefig("1.pdf", format='pdf',bbox_inches='tight',dpi=1200)

picture.image

使用PyALE库计算并显示特征sqft_lot和sqft_living对先前训练的随机森林模型rf_model预测的二维累积局部效应（2D ALE）

✨ 该文章案例 ✨

picture.image

在上传至交流群的文件中，像往期文章一样，将对案例进行逐步分析，确保读者能够达到最佳的学习效果。内容都经过详细解读，帮助读者深入理解模型的实现过程和数据分析步骤，从而最大化学习成果。

同时，结合提供的免费AI聚合网站进行学习，能够让读者在理论与实践之间实现融会贯通，更加全面地掌握核心概念。

✨ 购买介绍 ✨

本节介绍到此结束，有需要学习数据分析和Python机器学习相关的朋友欢迎到淘宝店铺：Python机器学习AI，或添加作者微信deep_ML联系，购买作者的公众号合集。截至目前为止，合集已包含近300多篇文章，购买合集的同时，还将提供免费稳定的AI大模型使用，包括但不限于ChatGPT、Deepseek、Claude等。

更新的内容包含数据、代码、注释和参考资料。作者仅分享案例项目，不提供额外的答疑服务。项目中将提供详细的代码注释和丰富的解读，帮助您理解每个步骤。购买前请咨询，避免不必要的问题。

✨ 群友反馈 ✨

picture.image