GAM广义加性模型、向前逐步回归（变量选择）、部分依赖图 （常用于数据特征分析，查看自变量与因变量关系）

部分依赖图

常用于数据特征分析，查看自变量与因变量关系

部分依赖图(以下简称PDP)显示了目标响应]和一组“目标”特征之间的依赖关系，并边缘化所有其他特征（“补充”特征）的值。直观地，我们可以将部分依赖关系解释为预期目标响应作为“目标”特征的函数。

GradientBoostingRegressor、pyGAM都可以实现

GradientBoostingRegressor：
https://www.codingdict.com/article/28445

pyGAM：

https://blog.youkuaiyun.com/qq_41103204/article/details/104679779?utm_medium=distribute.pc_relevant.none-task-blog-2_defaultbaidujs_baidulandingword~default-1-104679779-blog-102883556.pc_relevant_vip_default&spm=1001.2101.3001.4242.1&utm_relevant_index=4

边际效应 是从已有拟合模型结果中计算出来的统计量，该数值表示 自变量的变化 对 因变量的变化 的 影响作用 的 大小。

广义相加模型(GAMs)：

之所是”相加性的”，是因为我们对于每个变量Xj都单独计算fj，fj可以是任意形式的函数，最后统一加起来用来预测Y.
https://blog.youkuaiyun.com/tongweiganglp/article/details/53422324

回归问题中的加性模型（GAM）：
https://zhuanlan.zhihu.com/p/53001283

逐步回归

逐步回归选取特征及GAM模型的使用：
https://www.freesion.com/article/89651405774/
根据AIC准则定义向前逐步回归进行变量筛选:
https://blog.youkuaiyun.com/weixin_44835596/article/details/89763300