AI 词汇表
人工智能完整词典
部分依赖图
可视化展示一个或两个特征与模型预测之间的边际关系，通过平均所有其他特征的影响来揭示潜在趋势。该技术有助于理解特定变量的变化如何影响模型的整体预测。
特征热力图
使用颜色的二维图形表示，可视化不同特征对模型预测的重要性或影响。颜色强度表示影响程度，能够快速识别最具影响力的变量。
SHAP图
基于SHAP值（SHapley Additive exPlanations）的可视化，展示每个特征如何将预测从基准值推向最终预测。这些图表通过量化每个变量的正面或负面影响来解释单个预测。
ICE图（个体条件期望图）
可视化图表，绘制单个实例的模型预测，同时改变特定特征，揭示变量关系中的异质性。与显示平均效应的PDP图不同，ICE图显示个体层面的变化。
LIME决策图
由LIME（局部可解释模型无关解释）生成的可视化，通过创建局部可解释模型并可视化重要特征来解释单个预测。该技术有助于理解模型为何对特定案例做出特定决策。
置换重要性可视化
条形图表示特征重要性，通过测量特征值随机置换时模型性能的下降来计算。该方法基于变量对预测的实际影响，提供模型无关的特征重要性评估。
ROC曲线和AUC
图表展示不同分类阈值下的真阳性率与假阳性率关系，AUC（曲线下面积）量化分类器的整体性能。该可视化允许评估和比较模型的判别能力，与所选阈值无关。
瀑布图
顺序可视化展示不同特征的贡献如何累积以达到模型的最终预测，类似于财务瀑布图。每个条形代表一个特征对最终预测的正面或负面影响。
局部影响力图
可视化展示每个特征如何将模型预测推向比预期基准值更高或更低的值。影响力通过彩色箭头或条形图表示，显示影响的方向和幅度。
可调节决策可视化
交互式界面，允许动态调整输入特征值并实时观察这些变化如何影响模型预测。这些工具有助于探索复杂关系和进行模型敏感性分析。
锚定决策图
基于锚定解释的可视化，识别模型维持其预测的充分条件，以if-then规则形式呈现。这些图表通过显示锚定预测的关键特征，帮助理解局部决策区域。
依赖关系图
二维或三维图表，展示输入特征与模型预测之间的关系和依赖性，通常结合点密度图。这些图表揭示数据中的非线性相互作用和复杂相关性。
决策等高线图
二维或三维可视化，通过彩色等高线或曲面显示分类模型的决策边界。这些图表帮助理解模型如何划分特征空间以进行分类。
反事实可视化
图形表示，显示将模型预测改变为不同期望结果所需的最小输入特征修改。这些可视化有助于理解边界条件和探索假设场景。
回归树
专门用于回归问题的决策树变体，可视化模型如何将特征空间划分为具有恒定目标值的区域。每个叶节点代表该区域内目标值的平均值，便于解释非线性关系。
决策流程图
模型顺序决策过程的示意图，以逻辑流程形式显示决策点、可能行动和预期结果。这些图表将复杂算法转化为可逐步理解的流程。
敏感性图
通过网格或曲面可视化展示当两个特征同时变化时模型预测如何系统性变化。这些图表揭示了变量间的相互作用，并识别出特征空间中的高敏感区域。
全局重要性可视化
综合图表按特征对整个模型的重要性进行排序，通常以带有标准化分数的水平条形图形式呈现。这种概览视图能够快速识别在模型整体预测中最具影响力的因素。