如何在使用标准化数据训练模型后，为部分依赖图（PDP）正确还原原始尺度的坐标轴

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。

先直接说结论：用 StandardScaler 标准化数据训练完随机森林这类模型后，直接调用 PartialDependenceDisplay.from_estimator() 画出来的部分依赖图（PDP），横坐标上跑的是标准化后的数值——比如 -1.2 到 2.4 这种，而不是业务人员一眼就能看懂的 35.6℃ 或 8200 元。这图拿到业务会上，基本等于白画。

问题的核心在于：PDP 的计算依赖模型对输入数据的预测行为，而模型只认标准化后的数据。所以不能简单地把 X_test_final 反标准化后再喂给绘图函数——那样预测会完全失效。正确的解法是：保持模型输入的标准化流程不变，只对可视化端的坐标轴刻度标签做逆变换。这样既不影响模型逻辑，又能让横轴回归到原始单位。

具体操作分三步，不复杂：

1. 先画出原始 PDP，同时拿到坐标轴对象：

   import matplotlib.pyplot as plt
   from sklearn.inspection import PartialDependenceDisplay
   
   fig, ax = plt.subplots(figsize=(8, 6))
   display = PartialDependenceDisplay.from_estimator(
       best_clf, X_test_final, best_features, ax=ax
   )

2. 对 x 轴刻度做逆标准化（反 StandardScaler）：

   假设你训练时保存了 StandardScaler 实例（强烈推荐这么做），或者能从原始训练集 X_train 中重新算出均值和标准差：

   # ✅ 推荐：用训练时保存的 scaler（确保一致性）
   # scaler = StandardScaler().fit(X_train)
   # mean_val = scaler.mean_[feature_idx]
   # std_val = scaler.scale_[feature_idx]
   
   # 如果没保存 scaler，且 X_train 是原始训练集（二维数组），按特征索引提取：
   feature_idx = 0  # 替换成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]
   
   # 格式化成易读字符串（保留1位小数，或根据数据本身调整）
   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)')  # 加上单位说明
   plt.tight_layout()
   plt.show()

⚠️ 需要留意的几个点：

• 刻度逆变换只影响标签显示，PDP 曲线的形状和计算逻辑没有任何变动，完全安全；
• 计算 mean 和 std 时务必用训练集，而不是测试集——这符合 StandardScaler 的设计原则；
• 如果 best_features 包含多个特征，要分别对每个子图处理对应的 mean_val 和 std_val；
• 类别型特征或经过 One-Hot 编码等预处理的特征，这个方法不适用，需要单独处理。

用这个思路，你既能保留标准化建模流程的高效和稳定，又能输出业务人员一看就懂的部分依赖图——建模和解释，算是真正解耦了。