我已经阅读了有关部分依赖图的其他主题，其中大部分是关于如何用不同的包实际绘制它们，而不是如何准确地解释它们，所以：

我一直在阅读并创建大量的部分依赖图。我知道他们用我的模型中所有其他变量 (χc) 的平均影响来衡量变量 χs 对函数 ƒS (χS ) 的边际效应。更高的 y 值意味着它们对准确预测我的班级有更大的影响。但是，我对这种定性的解释并不满意。

我的模型（随机森林）正在预测两个谨慎的类别。“是树”和“没有树”。TRI 是一个变量，已被证明是一个很好的变量。

我开始认为 Y 值显示了正确分类的概率。示例：y(0.2) 表明 > ~30 的 TRI 值有 20% 的机会正确识别真阳性分类。

哪里反过来

y(-0.2) 表明 < ~15 的 TRI 值有 20% 的机会正确识别真阴性分类。

文献中的一般解释听起来像这样“大于 TRI 30 的值开始对模型中的分类产生积极影响”，仅此而已。对于一个可能会大量谈论您的数据的情节来说，这听起来如此模糊和毫无意义。

此外，我所有的图在 y 轴的范围内都限制在 -1 到 1 之间。我见过其他的 -10 到 10 等的图。这是你试图预测多少类的函数吗？

我想知道是否有人可以谈论这个问题。也许告诉我应该如何解释这些情节或一些可以帮助我的文献。也许我读得太远了？

我已经非常彻底地阅读了统计学习的要素：数据挖掘、推理和预测，这是一个很好的起点，但仅此而已。