一句话定义：部分依赖图（Partial Dependence Plot，PDP）是一种用来解释机器学习模型的图，它回答的是"假如只让某一个特征变化、其他特征都保持不变，模型的预测平均会怎么变"。
它是怎么算出来的
假设你训练了一个模型预测房价，想看看"面积"这个特征到底起了多大作用。做法很朴素：把手上所有样本的面积都改成 80 平米，其他特征原样保留，跑一遍模型，得到一批预测值，取平均；再把面积统一改成 90 平米，重跑一遍，再取平均；如此依次试很多个取值。最后把"面积"当横轴、"平均预测值"当纵轴，连成一条曲线，这就是 PDP。
打个比方：你想知道一道汤里放多少盐最合适，但汤已经煮好了没法重做。于是你把同一锅汤分装成很多小碗，每碗只加不同量的盐，其他调料完全不动，然后一碗碗尝过去。PDP 就是这一排"只改了盐、别的都没动"的平行世界，只不过它用模型代替了你的舌头。
实际实现时不会真的把数据复制无数遍去跑，而是用网格取值 + 积分近似的方式算，效果等价，速度更快。曲线上的每一点，本质上是"在这个特征取该值时，所有样本预测结果的平均"。
和相邻概念的区别
| 方法 | 看什么 | 特点 |
|---|---|---|
| 部分依赖图 PDP | 单个特征对预测的平均影响 | 全局视角，曲线可读性强 |
| 个体条件期望 ICE | 单个特征对每个样本的影响 | 能看出个体差异，多条线叠在一起 |
| 特征重要性 | 特征整体有多重要 | 只给一个分数，不给方向和形状 |
| SHAP | 每个样本各特征的贡献 | 更细，但计算量通常更大 |
PDP 常和 ICE（Individual Conditional Expectation）配合看：如果 ICE 的一堆线形状差不多，说明这个特征对不同样本的影响一致，PDP 的平均曲线就有代表性；如果线条各走各的，平均值可能谁都不像，这时候单看 PDP 会误导。
最大的坑：它假设特征之间互相独立
PDP 在生成 80 平米的样本时，并不会同时把"房间数"也改成匹配 80 平米的合理值。如果面积和房间数高度相关，那它其实在评估一批现实中根本不存在的房子——比如"80 平米却只有 1 个房间"或者"30 平米却有 6 个房间"。模型在这种荒谬输入上的输出没有意义，曲线自然也就失真了。
特征相关性越强，PDP 越不可信。遇到这种情况，可以考虑改用累积局部效应图（Accumulated Local Effects，ALE），它对相关特征的处理更稳健。
对你有什么用
对做模型的人：PDP 是回答"这个特征到底是正相关还是负相关、有没有拐点、到多少就饱和了"的快捷工具，比只看一个重要性分数信息量大得多。但记住两点——它描述的是平均效应，也是模型的效应，不是真实世界的因果关系。想谈因果，得靠实验设计或因果推断方法，不是靠这张图。
对不做模型的人：下次有人拿着一条"某指标越高，结果越好"的曲线做汇报，你可以问一句：这条线是拿什么数据算的？其他条件真的控制住了吗？如果特征之间互相纠缠，那这条漂亮的曲线可能只是平均出来的幻觉。
工具方面，Python 生态里 scikit-learn 的 PartialDependenceDisplay、以及一些通用解释库都提供现成实现，具体接口和参数以其官方文档为准。