sklearn的partial dependence plots中percentiles参数作用及调整疑问

percentiles: float类型元组，默认值为(0.05, 0.95)，是用于创建PDP坐标轴极值的上下百分位数，取值必须在[0, 1]区间内。

核心含义澄清：不会忽略分位外的数据贡献 #

该参数不参与PDP的数值计算逻辑，仅控制绘图相关的特征取值范围，PDP的计算全程使用全量数据集：

• 计算阶段：对于目标特征，会先生成若干离散取值作为绘图节点（网格），每取一个特征值，就把全量样本的该特征统一替换为这个值，再用模型输出全量样本的预测结果并取平均值，得到该特征取值对应的PDP数值，全程不会过滤任何样本。
• 网格生成阶段：percentiles参数仅用来决定上述绘图网格的取值上下限，默认取特征取值的5%和95%分位作为网格的最小、最大值，避免把样本量极少的极端特征值纳入绘图。

正确解读方式 #

• 不要将该参数和计算阶段的样本截断逻辑混淆，范围外的样本依然会参与所有PDP节点的数值计算
• 默认配置(0.05, 0.95)的目的是过滤极端离群值，优先展示绝大多数样本对应的特征边际效应，是通用的合理配置
• 仅当你需要观测极端取值下的特征效应，且确认对应区间内样本量足够支撑统计显著性时，再考虑调整该参数的取值

调整为(0.01, 0.99)的潜在问题 #

• 极端取值对应的样本量通常极少，在这些点上计算的平均预测值方差很高，不具备统计可靠性，容易传递错误的特征效应结论
• 若特征存在明显长尾分布，0.01和0.99分位可能与主体取值区间差距极大，会导致x轴被极端值拉伸，占样本量98%的主体区间的曲线趋势被压缩，反而无法清晰观测主要规律
• 部分极端特征取值可能属于数据异常值而非业务正常场景，纳入绘图反而会干扰对常规业务下特征效应的判断

内容的提问来源于stack exchange，提问作者Henrique