概念地圖・ALE 累積局部效應圖
作者 山姆（謝冠生）・喵喵書評創辦人
發布
分類：系統
這一頁不只是把一個概念解釋一遍——一張自己畫的結構圖，加上拿台灣情境從頭走一次的實例演練、這個框架什麼時候會騙你，以及它接回 P.A.I.N. 之後長什麼樣。一頁必須交付的三層 →
ALE 累積局部效應圖：沿著資料讀懂模型反應
移位機售後部門用模型排維修工時，想單獨移動機齡看看，資料裡的新機又幾乎都裝了新版感測器。把所有設備一口氣改成九年機，預測仍會吐出漂亮數字——這些組合在現場出現過嗎？ALE 累積局部效應圖把比較縮到各自有資料的機齡區間，先算模型在區間兩端的預測差，再一路累加、中心化。讀者看到的是模型沿著資料附近怎麼反應，以及哪些轉折還得回頭查。
局部差分怎樣累成一條曲線
上圖使用獨立於產業的離散教學資料：三格各一筆觀測，而且都落在所屬區間的上端點。邊界歸左側區間，最左端則歸第一格。每筆只替換待解釋特徵，其餘特徵保持原值；用模型在上界的預測減去下界預測，再求格內平均。
| 區間與資料 | 平均局部差分 | 到上端點的累積值 | 減去中心常數 9 |
|---|---|---|---|
| 0 至 1，1 筆在端點 1 | 2 | 2 | −7 |
| 1 至 2，1 筆在端點 2 | 10 | 12 | 3 |
| 2 至 3，1 筆在端點 3 | 1 | 13 | 4 |
三筆累積值加起來是 27，除以三筆，中心常數就是 9；中心化後的三個值加總為零。第二格的差分大，於是端點 1 到端點 2 的線段升得多——它記錄模型在這一格的反應。這裡只連三個上端點，沒有推定格內的連續曲線。實務中心化須依觀測分布及工具的插值方式計算；各格樣本數不同時，直接平均端點通常會偏離樣本基準。
解釋預測前先驗資料密度
一、先看這段路有幾台設備。移位機的機齡資料可能很齊，九年機搭配新版感測器的紀錄仍可能很少。報表要同時附上各格設備數，以及機齡與感測器版本共同出現的範圍。局部替換縮短了移動距離，邊界附近的組合仍須檢查——線畫得完整，不代表每段資料都同樣厚。自問：各區間的樣本數與特徵共同支援範圍足夠嗎？
二、換一種切法，轉折還在嗎。售後主管若看到五年左右工時效應升高，應請分析人員改變分箱數或邊界，再看上升落在哪裡。機齡集中在保固到期附近時，切在四年或五年可能得到不同形狀。若轉折跟著切線移動，先保留判斷——班表不必追著每個小折角改。自問：改變分箱方式後，主要方向與轉折是否穩定？
三、先把縱軸讀成同一種單位。模型輸出若是每月維修小時，ALE 也沿用小時；若模型輸出取過對數，圖值就得照該尺度解讀。中心化零點取決於這次用來計算的資料分布。售後部門換了一批客戶設備，基線可能跟著移動——比較兩次圖之前，要把樣本範圍和計算設定一起留存。自問：模型輸出的單位與中心化基線是否已經核對？
移位機售後的工時估計
底下這家台灣中部的移位機售後服務公司，是為了把這個結構講清楚而編出來的示意情境，沒有指涉任何真實公司。接著開場的疑問，主管要求分析人員保留每台設備的感測器、使用頻率等原始欄位，先把機齡的局部計算攤開。
- 定義教學樣本：模型預測每台設備的每月維修工時。機齡切成 0 至 2 年、2 至 5 年、5 至 9 年，依序有 2、3、1 筆觀測。這六筆都設定在所屬區間的上端點；邊界歸左側區間，0 年歸第一格。端點設定讓每一步可直接核算。
- 逐台做局部比較：同一台設備只把機齡換到所在格的上下界，各預測一次。三格的平均差分依序為 3.5、5.4、4.2 小時。中間那格比較的是原本落在該格的三台設備——新版感測器比例也跟著這群資料留下來。每格平均預測工時，不能直接拿來當差分。
- 累加到三個上端點：2 年端點的累積值為 3.5 小時，加上第二格的 5.4 後，5 年端點是 8.9 小時，再加 4.2，9 年端點便是 13.1 小時。每一步累加都保存前面區間的局部反應。比較距離限定在各自的區間。
- 按六筆樣本置中：第一格的兩筆各帶入 3.5，第二格的三筆各帶入 8.9，最後一筆帶入 13.1，加權總值為 46.8 小時，除以六筆得到 7.8 小時。三個累積值分別扣掉 7.8，便是 −4.3、1.1、5.3 小時。九年端點只靠一筆教學觀測，稀疏提醒要留在圖旁。
主管讀到的，是機齡在 2、5、9 年端點相對零基線的效應。九年處的 5.3 小時，不能直接抄成那台設備的預約工時；完整預測還得帶著全部欄位回原模型取得。售後部門於是保留這條曲線供排班討論，再把設備分布與近期工單一起攤開——哪一段缺資料，先向維修人員核對；哪一段方向穩定，再評估備料與人力安排。這次演練把平均反應和單台派工之間的接縫留下來。以上為說明結構用的示意情境，僅供理解框架之用。
ALE 的零點與因果界線
- 局部也有資料薄的地方。把變動限制在小區間，有助減少相關特徵下的大量不合理組合；區間太寬、樣本太少，或資料集中在很窄的共同範圍時，邊界替換仍可能走到資料稀疏處。圖上順暢的線段會把這件事藏起來——解釋報告應附樣本量，並記錄重新分箱後的差異。
- 模型錯得一致，解釋也會很順。如果工單漏記了返工時數，模型可能學到偏低的維修負擔，ALE 仍會忠實整理它的反應。中心化把圖值移到共同的零基線，整齊的圖面容易增加可信感。上線前要另驗預測誤差、缺漏欄位與資料期間——解釋方法的正確，無法替訓練資料補洞。
- 一條主效應曲線留不住所有交互作用。機齡的反應可能隨感測器版本或使用強度而改變，一階 ALE 會把這些局部差異匯成平均方向。需要時可查二階效應或在足夠資料下分組檢查。至於更新設備會省下多少工時，還涉及維護制度和選機條件；因果結論需要額外的研究設計與假設。
支援決定的解釋，需要落回現場
從沒出現過的設備組合，也可能被模型算得像模像樣。
這正是現場容易付出的代價：一句「模型算過了」，就把對資料的追問收掉。《痛點》的 P.A.I.N. 提醒我們回到承受後果的人。維修人員被少排一小時，後面可能接著延遲出勤、借機調度，以及使用者等待。這張圖畫得出模型沿機齡的平均局部反應，畫不出一次維修延後讓使用者有多難受。曲線可以支援安排，現場回饋則要補上代價。今晚先挑一筆近期延誤的工單，把模型預測、實際工時和使用者等待時間並排，請負責人說明那段差額發生在哪個步驟——先讓一次被平均掉的等待有名字。
ALE，常被問到的幾件事
ALE 和 PDP 有什麼差別？
PDP 常把待解釋特徵依次設定為同一個值，再平均整批樣本的預測。當機齡和感測器版本高度相關，這樣容易產生資料中很少見的組合。ALE 從各區間內的樣本出發，算局部預測差，再累積，讓比較更貼近當地資料。定義查核可參照 Apley 與 Zhu 的原始論文；實際可信範圍仍須搭配資料密度檢查。
ALE 曲線低於零，代表預測工時是負數嗎？
負值表示中心化之後，該位置的累積效應低於這份資料的零基線。場景中的 −4.3 小時只描述機齡這條效應曲線的相對位置；整台設備的維修工時，須把全部特徵送回原模型。零也沒有指定某個平均機齡——它來自累積效應的置中。讀報表時，把「效應小時」與「預測總小時」分開標示，可以少掉一次派工誤讀。
分箱越細，ALE 就越準嗎？
分箱更細會縮短每次替換距離，也可能讓單格樣本變少，估出的局部差分隨之不穩。應比較幾種合理分箱下的方向、轉折與格內樣本量，再決定呈現細度。遇到大量重複值，工具也可能調整實際分箱數，細節可查ALEPlot 官方文件。一張平滑的成圖，仍需要保留底下的資料密度紀錄。
模型曲線旁添上各區間的樣本量，稀疏處就有了可見的提醒。若要追一台設備的預測由哪些特徵推動，可以接著看單筆預測的歸因拆解；想保留不同樣本的反應差異，可對照逐筆樣本的特徵預測軌跡。
喜歡這篇文章嗎？
每週幫你拆二本好書，把判斷力、好書金句、好問題，直送你的信箱。
不適合你可隨時退訂 · 每週兩封，陪你把書讀進生活。
送出即表示同意我們依隱私權政策使用你的 email。