1 概述与术语界定
力图（Force plot）是一种用于可解释机器学习结果的可视化方法，借助“力/推力（force）”的隐喻来展示模型特征对单个样本预测值的贡献。其基本思路是：先给出一个基准输出作为起点，然后逐项叠加特征贡献，让不同特征像施加推力或拉力一样，把预测结果从基准值逐步“推”向最终预测，或“拉”向相反方向。
1.1 力图的“推力”隐喻含义
在力图中，每个特征对应一项贡献值。贡献为正时可理解为“推力”，使预测向上（或朝更大输出、更可能的目标类别方向）移动；贡献为负时可理解为“拉力”，使预测向下（或朝相反方向移动）。这种表达方式强调了方向性与强度：既能看出“影响来自哪里”，也能看出“影响有多大”。
1.2 与特征归因、局部解释的关系
力图通常与特征归因（feature attribution）与局部解释（local explanation）框架配套使用。所谓局部，是指解释聚焦于某一条或一批具体样本，而非对整个数据集给出统一的规律。因此，力图更像“为这条预测做账”，把最终结果拆解成可读的组成部分。
1.3 常见使用场景与解释粒度
力图常用于：
- 单样本层面的诊断：回答“为什么这个样本会被预测成这样”；
- 特征分析与调试：定位哪些输入变量在该样本上起了主导作用；
- 与业务方沟通：用直观的正负贡献来解释模型决策依据。
解释粒度通常对应具体特征（含工程后的派生特征），也可在一定实现中扩展到特征组或更细的分解层级。
2 力图的基本组成
力图的构成可以抽象为四类要素：基准预测、各特征贡献项、用于表达方向的编码方式，以及这些项与最终预测之间的加和关系。
2.1 基准预测（base value）
基准预测是模型在没有考虑当前样本特征偏移（或在特定参考条件下）的“起始输出”。它相当于力图的“地面”或“初始位置”。在许多可解释实现中，基准值与训练数据的统计特征有关，例如整体均值、先验期望或模型输出的参考点。
2.2 特征贡献项（feature contributions）
特征贡献项表示“某特征相对于参考状态对输出造成的增量”。这些贡献以可加的方式组合到最终输出中，因此力图能将每个特征对该样本的作用拆开查看。贡献大小用于衡量该特征在该条预测中的相对重要性。
2.3 正向/负向推力的图形编码
可视化层面，力图一般通过颜色、方向或左右布局来区分正向与负向贡献。例如常见做法是用不同颜色区分正/负，或将正贡献显示在将预测推向目标方向的位置，负贡献显示在相反侧。具体编码随工具实现而异，但核心原则是始终将“方向”和“强度”对应到图形位置与标尺。
2.4 总预测与加和关系
力图强调加性：所有特征贡献项加总后，与基准预测相叠，得到总预测。换言之，基准值提供“起跑线”，特征贡献像一串施加的推拉力，最终共同确定落点位置。该加和结构是力图可读性的来源之一：读图者可以从局部贡献回溯整体结果。
3 生成与建模前提
力图的生成依赖于对“可加分解”的建模前提。并非所有模型都能以同样方式直接得到力图所需的贡献项，通常需要特定结构或兼容的解释机制。
3.1 适用的模型类型（如树模型）
较常见的适用对象是树模型及其变体（例如基于决策树的集成方法）。原因在于树结构更容易形成分段贡献，并能在一定框架下计算特征对单样本输出的增量贡献。某些实现也可对特定神经网络或线性模型给出贡献分解，但其可加性与稳定性取决于具体解释算法。
3.2 贡献计算的加性思想（local additive explanation）
力图通常基于局部加性解释：将模型输出在某个样本附近分解为基准项与各特征项的和。此思想可确保读图时“贡献相加得到预测”的逻辑成立，从而避免出现解释与模型输出不一致的困扰。若贡献计算方法不满足近似加性，力图的含义将会减弱或需要额外说明。
3.3 背景数据与条件设置
一些解释框架需要指定背景数据（background data）或参考分布，用于定义“基准状态”。背景数据的选择会影响基准预测与贡献的相对大小。例如使用训练集的子样本作为参考，往往比使用极端或不具代表性的数据更稳定。条件设置（如参考类别编码或特征缺失的基准策略）也会影响贡献分解。
3.4 数值稳定性与缺失处理
在实际数据中，缺失值与取值边界会影响分解结果。常见做法包括：
- 对缺失值采用特定编码或让模型按其内置逻辑处理；
- 在贡献计算时采用一致的缺失基准；
- 对极端取值做数值范围检查，避免贡献异常放大。
稳定性不仅影响图形可读性，也会影响后续调试结论的可信度。
4 解读方法与读图指南
有效解读力图需要把握“从基准到落点”的路径、正确理解方向，并对贡献幅度做相对比较，同时避免常见误读。
4.1 如何从基准到最终预测
阅读通常从基准值开始：观察哪些特征贡献项在图上依次出现，以及它们对位置的推拉作用。随着正负贡献相加，落点最终到达预测值对应的位置。读图者可按贡献幅度排序，从最大绝对贡献开始理解“主要驱动因素”。
4.2 如何判断特征的影响方向
方向判断依赖于贡献符号或编码方式：正贡献意味着把预测往某一方向推进，负贡献意味着把预测拉回或反向压制。需要注意的是，“向上/向下”要结合任务定义：例如回归任务中输出数值越大越“正向”，而分类任务中输出可能是某种置信度或对数几率，方向需与该输出含义一致。
4.3 如何比较贡献大小与重要性
力图提供的是“对该样本的贡献幅度”，不是全局意义下的固定重要性。比较时应关注：
- 绝对贡献值越大，表示对这条预测越关键；
- 贡献符号不同但幅度相近时，可能出现相互抵消；
- 若某些特征贡献很小，可视为对该样本影响有限。
若要形成更稳健的结论，通常需要在多个样本上做统计汇总或搭配全局图形一起观察。
4.4 典型误读与避免策略
常见误读包括：
- 把局部解释当成因果：贡献反映相关性或模型内部分解结果，并不自动等同于因果关系；
- 忽略基准值：只看个别特征而不结合基准，会导致对“整体预测为何落点如此”理解不完整；
- 忽略特征工程影响：若特征是衍生变量，其贡献不对应原始业务概念，需要回到特征定义解释。
避免策略是：同时核对任务输出含义、基准值与特征定义，并在样本层面做交叉验证。
5 与其他解释可视化的对比
力图与其他可解释图形的差异主要体现在：解释粒度（局部/全局）、输出维度表示方式（贡献分解/函数曲线/散点分布）以及与模型结构的耦合程度。
5.1 与特征重要性图（global feature importance）的差异
特征重要性图通常汇总多个样本或整个数据集，给出“整体上哪些特征更常影响预测”。力图则面向单个样本，展示“这条预测里哪些特征在起作用、作用多大”。因此两者回答的问题不同：前者偏“总体影响”，后者偏“个体原因”。
5.2 与SHAP摘要图/散点图的差异
SHAP摘要图或散点图常用于展示贡献在群体中的分布趋势，例如某特征的贡献随取值变化的模式。力图更多是把贡献以“逐项推拉”的方式呈现给定样本，从而获得更强的单例可读性。两者可互补：力图解释“这条为什么”，SHAP类图解释“在许多样本里会怎样”。
5.3 与部分依赖图（PDP）/个体条件期望（ICE）的区别
PDP与ICE关注的是模型输出随某个特征取值变化的函数形状，通常假设其他特征保持为某种参考或以边际方式平均。力图不追求绘制“函数曲线”，而是直接呈现特征在具体样本上的贡献增量，更贴近“分解账本”的直观解释方式。
5.4 选择何种图的决策依据
选择图形通常取决于目标：
- 想解释单例决策：优先考虑力图或局部贡献分解图；
- 想梳理总体关键变量：特征重要性或SHAP汇总更合适；
- 想理解某特征的整体变化趋势：PDP/ICE更直观。
在实际工作中，经常需要先用全局图定位候选特征，再用力图做针对性验证。
6 应用实践
力图的应用强调可操作性：在调试、复盘、沟通等环节迅速获得可读解释，并结合业务语境做判断。
6.1 用于单样本诊断与案例复盘
当模型对某个样本给出异常预测时，力图可快速定位主导贡献来源。例如可以识别导致预测上升的关键输入项，或发现某些特征由于缺失编码、取值异常而产生不合理的贡献。通过多个案例对照，也能判断问题是系统性偏差还是个别样本的边界情形。
6.2 用于特征工程迭代与调参排查
力图能够支持“特征工程-模型输出”联动的排查流程。若某个候选特征在力图中反复成为关键贡献来源，且该特征含义合理，可考虑保留或增强；若其贡献带来不可解释的偏移，可能需要修正编码方式、清洗逻辑或重新构造特征。同时，调参改变模型结构时，力图也可用于观察贡献分解是否出现系统性漂移。
6.3 用于业务解释与沟通展示
在面向非技术人员的场景中，力图的推拉隐喻具有传播优势：它把复杂模型输出转译为“哪些因素让结果更高或更低”。为了提升沟通效果，通常需要把特征名称映射回业务术语，并解释输出单位或方向含义，避免出现“颜色看起来很重要但业务无法对应”的情况。
6.4 常见“力图梗”：把模型解释当作“推拉现场”
在数据团队内部，力图常被当作一种“推拉现场”的梗文化：谁在把结果往上推、谁在往下拽，一目了然。有人会用“主力推手”“反向拉扯因素”来形容贡献大的特征，把读图过程变得更直观、也更便于做复盘讨论。
7 工具与实现概览
实现力图通常依赖可解释性工具或特定模型解释框架。不同库在接口、参数、图形风格上有所差异，但总体思路一致：提供基准值、计算特征贡献并绘制可视化编码。
7.1 常见库/框架的用法要点
实践中，常见用法是将训练好的模型与解释器连接起来，选择合适的解释方法以获得对单样本的贡献项，然后调用可视化函数生成力图。对于树模型，许多框架能更直接计算贡献；对于其他模型，可能需要额外的解释器设置或近似策略。
7.2 参数设置与输出格式
参数通常涉及：
- 要解释的样本索引或数据行；
- 输出是回归值还是分类的某个目标（如某类概率或对数几率）；
- 基准值的定义或背景数据的选择；
- 最大显示特征数量、排序规则以及颜色主题。
输出格式可能是静态图片、矢量图或交互式视图，具体取决于工具能力与运行环境。
7.3 交互式与静态图的差异
静态力图适合报告与文档，优点是生成稳定、可控排版；交互式力图可在鼠标悬停时显示更细的数值信息，便于探索多个样本和对比贡献细节。选择取决于展示场景：生产汇报偏静态，分析调试偏交互。
7.4 批量样本力图的生成策略
当需要对一组样本进行批量解释时，常见策略包括：
- 选取异常样本或代表性样本集合，减少信息噪声；
- 控制每张图显示的特征数量，避免图面拥挤；
- 结合日志或表格汇总关键统计（如最大贡献特征、贡献符号比例），使批量输出更便于筛查。
在规模较大时，批量生成应注意计算成本与解释一致性设置。
8 限制与注意事项
力图虽具可读性，但仍存在适用边界与潜在风险，需要在使用时保持审慎。
8.1 局部解释并不等同于全局结论
力图解释的是特定样本的输出分解。即便某个特征在某条预测中贡献很大，也不能直接推出它在整体数据上同样关键。要形成全局判断，通常需要结合全局统计、聚合可解释性指标或额外验证。
8.2 对数据分布变化的敏感性
当线上数据分布与训练数据出现偏移，基准值与贡献分解可能发生改变，从而影响解释稳定性。此时力图仍可用于诊断单例，但对“模型行为为何改变”的归因应同时结合数据漂移分析。
8.3 类别特征编码与解释偏差
对类别特征的编码方式（如独热、目标编码、序数编码）会影响贡献含义。特别是在使用序数编码或含有统计信息的编码时，贡献可能反映编码带来的统计结构，而不完全等价于原始类别的直观影响。因此在解释阶段需要回到特征工程细节，确保命名与含义一致。
8.4 可解释性的合规与风险控制
当解释要用于对外沟通或决策审计时，应避免把解释当作“绝对正确的理由”。此外，解释材料可能暴露敏感特征或业务规则，需遵循数据治理要求，对展示内容进行脱敏或限制可见范围。对于高风险行业应用，还应建立解释输出的审查流程与留痕机制。
9 参考范式与扩展方向
力图的基本思想可扩展到更复杂的任务形态与更面向用户的设计目标，但扩展应保持可理解性与一致的解释语义。
9.1 从单样本到族群解释的思路
从单例到族群的过渡通常依赖对贡献项的汇总统计。例如对某一特征在许多样本上的正负贡献分布进行聚合，或比较不同组别样本的贡献构成。这样既保留局部分解的可解释语义，又提升对整体行为的洞察能力。
9.2 多输出任务下的力图展示
多输出任务（如多类别分类或多回归目标）下，力图需要明确解释的目标维度：是解释某个类别的输出，还是对多个输出分别生成图。实践中常见做法是为每个输出通道生成对应的力图，并在界面上支持切换目标。
9.3 时序/空间数据的贡献可视化扩展
对于时序或空间输入，单个“特征”可能对应时间片段或空间区域。可以将力图的贡献项进一步映射到时间轴或空间网格上，实现“推力在何时/何处出现”的表达。扩展时关键在于保持贡献的可加语义与可读性，避免过度细分导致信息难以解释。
9.4 面向用户的可解释性设计优化
面向使用者的优化通常包括：提供更贴近业务的特征命名、在图中显示关键指标的单位与含义、对贡献极小的特征做裁剪、并在必要时提供解释模板帮助用户理解“方向、强度与基准”。良好的设计能减少误读，使力图从分析工具更接近决策支持。