MediAnalytics 构建了一个用于医院再入院预测的 XGBoost 分类器，并使用 SageMaker Clarify 进行训练后可解释性分析。全局 SHAP 摘要显示 patient_age 是再入院风险的头号正向贡献者，但 Clarify 生成的 patient_age 偏依赖图 (PDP) 呈非单调性，似乎与 SHAP 冲突。数据团队怀疑 patient_age 与多个共病特征相关。最合适的解释和下一步是什么？

当特征高度相关时，偏依赖图 (PDP) 可能会产生误导，因为它假设特征是独立的，并显示特征的边际效应，而忽略了与其他特征的相互作用。SHAP 依赖图（或个体条件期望 (ICE)/条件偏依赖图）通过考虑特征之间的相互作用来提供更准确的解释。在这种情况下，由于 patientage 与共病特征相关，SHAP 依赖图或 ICE/条件 PDP 将能更好地揭示 patientage 对再入院风险的真实影响。下一步应使用 Clarify 检查特征交互和相关性，以全面理解模型行为。