如何还原PDP模型坐标轴原始尺度

当使用 StandardScaler 对特征进行标准化后训练模型并绘制部分依赖图时，x轴显示的是缩放后的数值，影响业务可解释性；本文介绍如何通过反向变换刻度标签，将PDP横轴恢复为原始数据单位，无需重拟合模型或修改内部计算逻辑。

当使用 `StandardScaler` 对特征进行标准化后训练模型并绘制部分依赖图时，x轴显示的是缩放后的数值，影响业务可解释性；本文介绍如何通过反向变换刻度标签，将PDP横轴恢复为原始数据单位，无需重拟合模型或修改内部计算逻辑。

在基于标准化数据（如 StandardScaler）训练随机森林等模型后，直接调用 PartialDependenceDisplay.from_estimator() 生成的部分依赖图（PDP）会以缩放后的特征值为横坐标，导致图表难以被领域人员理解（例如显示 -1.2 到 2.4 而非原始的 35.6℃ 或 8200元）。关键在于：PDP 的计算本身依赖于模型对输入的预测行为，而模型只“认识”标准化后的数据；因此不能简单地对 X_test_final 反标准化后再传入绘图函数——这会导致预测失效。正确做法是保留模型输入的标准化流程，仅对可视化端的坐标轴刻度标签进行逆变换。

具体实现分三步：

1. 先绘制原始 PDP 并获取坐标轴对象：

   import matplotlib.pyplot as plt
   from sklearn.inspection import PartialDependenceDisplay
   
   # 绘制 PDP（仍使用标准化的 X_test_final）
   fig, ax = plt.subplots(figsize=(8, 6))
   display = PartialDependenceDisplay.from_estimator(
       best_clf, X_test_final, best_features, ax=ax
   )

2. 对 x 轴刻度执行逆标准化（反 StandardScaler）：
   假设你已保存了用于训练的 StandardScaler 实例（推荐做法），或能从原始训练特征 X_train 中重新计算均值与标准差：

   # ✅ 推荐：使用训练时保存的 scaler（确保一致性）
   # scaler = StandardScaler().fit(X_train)
   # mean_val = scaler.mean_[feature_idx]  # 某一特征的均值
   # std_val = scaler.scale_[feature_idx]   # 对应标准差
   
   # 若未保存 scaler，且 X_train 是原始训练集（二维数组），可按特征索引提取：
   feature_idx = 0  # 替换为你要可视化的特征在 X_train 中的列索引
   mean_val = X_train[:, feature_idx].mean()
   std_val = X_train[:, feature_idx].std()
   
   # 获取当前 x 轴刻度位置（标准化尺度）
   x_ticks = ax.get_xticks()
   
   # 逆变换：X_original = X_scaled × std + mean
   xticks_unscaled = [(xt * std_val) + mean_val for xt in x_ticks]
   
   # 格式化为易读字符串（如保留1位小数，或根据数据类型调整）
   ax.set_xticklabels([f'{val:.1f}' for val in xticks_unscaled])

3. 完善图表并展示：

   ax.set_xlabel(f'{feature_name} (original scale)')  # 添加单位说明
   plt.tight_layout()
   plt.show()

⚠️ 注意事项：

• 刻度逆变换仅影响标签显示，不改变 PDP 曲线形状或计算逻辑，完全安全；
• 务必使用训练集而非测试集计算 mean 和 std，以符合 StandardScaler 的设计原则；
• 若 best_features 包含多个特征，需对每个子图分别处理其对应特征的 mean_val/std_val；
• 对于类别型特征或经过其他预处理（如 One-Hot 编码）的特征，此方法不适用，需单独处理。

通过该方法，你既能复用高效、稳定的标准化建模流程，又能输出面向业务解读的、具备真实物理/业务意义的部分依赖图，真正实现“建模与解释”的解耦与兼顾。