🏭🌡️📦
AI 品質模型要預測產品良率。
工程師：「溫度到底對良率有什麼影響？」
Partial Dependence Plot｜「看整體趨勢，不是抓單一個案的兇手」
AI 品質模型要預測產品良率。
PDP 可以觀察：
「當溫度改變時，模型預測的良率平均會怎麼變？」
⚠️ 這時 PDP 就不能直接回答了！
最重要限制：PDP 適合看「整體趨勢」，不是用來直接判斷「某一筆資料為什麼出問題」。
Global / Overall TrendFeature EffectAverageNot Individual Cause例如研究「溫度」。
把資料中的溫度固定在某個值，其他條件按照資料狀況保留。
再觀察模型預測結果。
把很多資料的預測效果做平均。
→ 得到「溫度」對模型輸出的整體影響趨勢。
這是在看整體趨勢／平均影響。
這是單一個案的局部原因問題，PDP 不是為此設計。
問：
偏向整體／平均視角。
問：
需要針對這一筆資料進行解釋。
PDP 是理解模型整體特徵影響的工具之一。
若要解釋單一筆資料，可考慮局部解釋方法，例如 LIME、SHAP 等。
不同產品批次、不同原料、不同設備條件。
每一筆資料的情況都不一樣。
PDP 把許多資料的模型預測效果整理成平均趨勢。
不能因此直接說：
這需要個別樣本的解釋與其他分析。
| 方法 | 漫畫記憶 | 主要回答 |
|---|---|---|
| PDP | 🌍「整體趨勢怎麼走？」 | 某特徵對模型輸出的平均／整體影響趨勢 |
| LIME | 📍「這一筆附近發生什麼？」 | 特定樣本的局部解釋 |
| SHAP | 🧩「這筆預測各特徵貢獻多少？」 | 可用於個別預測，也能彙整觀察特徵影響 |
看到「整體趨勢／平均影響」→ 📈 PDP
看到「某一筆資料為什麼」→ 📍 局部解釋（如 LIME / SHAP）
看到「PDP 能不能直接找出某批次原因？」→ ❌ 不能
⭐ 最終口訣：PDP 看大局，不抓兇手！
A. PDP 無法顯示模型的預測準確率
B. PDP 僅能反映模型輸出結果，無法提供任何特徵影響資訊
C. PDP 僅能用於單一特徵分析，無法同時考慮多個特徵的影響
D. PDP 僅呈現整體趨勢，無法判斷單一批次的原因
| 關鍵字 | 立刻想到 |
|---|---|
| 整體趨勢 | 📈 PDP |
| 平均影響 | 📈 PDP |
| 某一特徵改變對模型輸出的影響 | 📈 PDP |
| 某一筆資料為什麼 | 📍 LIME／SHAP 等局部解釋 |
| 「PDP 找出某批次真正原因」 | ❌ 不適合 |
| 只能單一特徵？ | ❌ 「只能」太絕對 |
⭐ PDP：看整體趨勢，不直接抓單一個案的原因！