使用PDPBox绘制PDP时如何展示被丢弃哑变量的对应结果

云原生阿岚

2026-11-5

独热编码基准组的PDP结果展示实现方案

你当前的核心卡点是：独热编码时被作为基准组删除的分类水平（即所有哑变量取0的场景，对应原`Area=A`的样本组），没有被纳入常规单哑变量PDP的计算网格，所以默认调用`pdp_plot`时完全捕获不到这个组的效应值。

这个方案不需要改动已有的训练流程和预处理逻辑，调整调用参数即可实现：

首先要避开常见误区：不要沿用之前单独提取单个Area_B/Area_C列算PDP的逻辑——单特征计算时，即使把目标列设为0，其他哑变量还是会保留原数据集的真实抽样取值，根本构造不出“所有哑变量同时为0”的基准场景，计算结果会存在系统性偏差。
调用pdp_isolate时，将5个哑变量组成的集合作为目标特征组传入，启用多特征联合PDP计算逻辑：
- 使用custom_grid参数手动指定全部6组待计算的特征组合，每组严格对应原Area的一个分类值，例如可用numpy直接构造对齐训练列顺序的网格：
```
import numpy as np
# 列顺序严格匹配训练时的哑变量排列：Area_B, Area_C, Area_D, Area_E, Area_F
custom_grid = np.array([
    [0, 0, 0, 0, 0],  # 对应原分类值A（被丢弃的基准组）
    [1, 0, 0, 0, 0],  # 对应原分类值B
    [0, 1, 0, 0, 0],  # 对应原分类值C
    [0, 0, 1, 0, 0],  # 对应原分类值D
    [0, 0, 0, 1, 0],  # 对应原分类值E
    [0, 0, 0, 0, 1],  # 对应原分类值F
])
```
- 传入custom_grid后，PDPBox会跳过默认的连续值网格生成逻辑，直接按照你设定的6组固定特征值计算对应的平均预测结果，后续调用pdp_plot正常绘图即可，X轴可直接替换为原Area的A-F分类标签，直观展示全部分类水平的边际效应。

这个是长期更高效的实现方案，可从根源上避免独热转换带来的网格缺失问题：

不需要受限于训练时的哑变量输入格式，给PDPBox封装一个适配的预测函数：函数内部在接收到原始分类变量的取值后，自动完成独热转换、对齐训练时的哑变量列顺序，再将拼装好的特征矩阵传给XGBoost模型输出预测值。
之后调用pdp_isolate时，feature参数直接指定原始的Area列，将网格范围设为A/B/C/D/E/F全6个分类值，完全不需要在分析环节处理哑变量逻辑，算出的PDP结果天然覆盖所有分类水平，不会漏掉被丢弃的基准组。

关键提醒：单独对任意一个哑变量列计算PDP时，永远无法准确得到基准组的结果——因为单特征变动逻辑下，该列取0时其他哑变量的取值是按原数据集分布随机抽样的，不是严格的“所有哑变量全0”的基准状态，计算得到的平均预测值会混合其他分类组的样本效应，存在明显偏差。

内容的提问来源于stack exchange，提问作者risk_hunter