---
title: "部分相依性圖（Partial Dependence Plot）"
slug: partial-dependence-plot
language: zh-TW
source: https://aiterms.tw/terms/partial-dependence-plot
updated_at: 2026-06-22
tags: [模型評估, 機器學習]
ipas_term: false
---

# 部分相依性圖（Partial Dependence Plot）

視覺化機器學習模型中某個特徵與預測結果的邊際關係，展現改變該特徵值如何影響預測。

## 完整說明

部分相依性圖(PDP)展示一個特徵與模型預測之間的邊際關係，邊際是指在保持其他特徵分佈不變的條件下，該特徵對預測的影響。通過PDP可以理解「如果增加這個特徵值，模型預測會如何變化」。

## 常見問題

### PDP計算時為什麼要保持其他特徵的原始值，而不是設為平均值？

設置其他特徵為平均值(如平均房屋面積)有風險：平均值可能不代表任何真實樣本(如平均可能是3.5個房間，但不存在0.5個房間的房屋)。保持原始值(邊際分佈)的優點是：(1)基於真實樣本，避免外插；(2)自動納入特徵間的真實相關性，避免構造不現實的樣本組合；(3)計算基於實際出現的特徵組合，統計上更穩健。缺點是：若特徵間有強相關，新構造的樣本仍可能不現實。折衷方案是同時計算兩種PDP，對比看結果是否穩健。

### 如何解讀PDP曲線平坦意味著特徵無用？

PDP曲線平坦(水平線)表示改變該特徵值，平均預測值不變，初看似乎特徵無用。但需要更多診斷：(1)檢查特徵重要性：若特徵重要性也低，確實可能無用；若重要性高但PDP平坦，說明兩個相反效應相互抵消(如特徵既增加又降低不同群組的預測值)；(2)畫ICE圖：若ICE曲線高度異質性(不同樣本反應截然不同)，說明特徵對不同樣本的影響方向相反，整體平均後相互抵消；(3)檢查交互效應：用二維PDP看該特徵與其他特徵的聯合效應，可能存在強相互作用而邊際效應平坦。

### 如何處理PDP中的特徵相關性問題？

特徵相關性使得改變單個特徵而保持其他特徵不變會產生不現實的樣本組合。偵測方法：計算新構造樣本與訓練集的距離，若距離很大說明樣本在外插區間。處理方法：(1)受限PDP：只在訓練集中存在的特徵組合上計算PDP，不外插；(2)邊際PDP：用特徵f的邊際分佈而非條件分佈，自動納入相關特徵的影響；(3)去相關前處理：先進行主成分分析或其他變換使特徵正交化，再計算PDP；(4)使用替代方法：如Accumulated Local Effect(ALE)圖，基於實際特徵組合的分割點而不是均勻分割，更能反映真實資料的特徵相關性。

---

來源：https://aiterms.tw/terms/partial-dependence-plot
快查頁：https://aiterms.tw/terms/partial-dependence-plot
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-partial-dependence-plot