---

1. 训练集预测结果对比图

• 表征含义：
  展示模型在训练集上的预测值（红色曲线）与真实值（灰色曲线）的对比。通过曲线重合度可直观判断模型的拟合效果。标题中显示的RMSE（均方根误差）量化了预测值与真实值的平均偏差。
• 用途：
  评估模型在训练集上的拟合能力和是否存在过拟合/欠拟合。

---

2. 训练集相对误差图

• 表征含义：
  以条形图形式展示每个训练样本的相对误差（(预测值-真实值)/真实值）。正负误差方向反映预测值高估或低估真实值。
• 用途：
  识别训练集中误差较大的样本，分析误差分布是否均匀。

---

3. 测试集预测结果对比图

• 表征含义：
  类似训练集对比图，但针对测试集数据（蓝色预测值 vs. 黑色真实值）。标题中的RMSE反映模型在测试集上的泛化能力。
• 用途：
  验证模型在未见数据上的预测效果，评估泛化性能。

---

4. 测试集相对误差图

• 表征含义：
  条形图展示测试集中每个样本的相对误差，反映模型在测试集上的误差分布。
• 用途：
  分析模型在测试集上的稳定性，检查是否存在系统性偏差。

---

5. 训练集拟合效果图

• 表征含义：
  以散点图形式展示训练集的真实值（x轴）与预测值（y轴）的分布，叠加红色线性拟合线。R²（决定系数）和RMSE显示在标题中。
• 用途：
  评估预测值与真实值的线性相关性。理想情况下，散点应沿对角线分布，R²越接近1说明拟合越好。

---

6. 测试集拟合效果图

• 表征含义：
  类似训练集拟合效果图，但针对测试集数据。R²和RMSE反映模型在测试集上的线性相关性和误差。
• 用途：
  验证模型在测试集上的预测一致性，检查是否存在过拟合。

---

7. SHAP摘要图

• 表征含义：
  展示每个特征对模型预测的贡献方向和大小。每个点代表一个样本，颜色表示特征值的大小（原始尺度），水平位置表示SHAP值（对预测的正/负影响）。
• 用途：
  解释特征重要性及影响方向，识别关键特征。

---

8. SHAP特征重要性条形图

• 表征含义：
  条形图按平均绝对SHAP值降序排列，显示各特征对预测结果的影响程度。
• 用途：
  量化特征重要性，辅助特征选择或模型解释。

---

9. 特征依赖图

• 表征含义：
  展示单个特征值与SHAP值的关系。横轴为特征值，纵轴为对应的SHAP值，反映该特征如何影响预测。
• 用途：
  揭示特征与预测结果之间的非线性关系，例如阈值效应或单调性。

---

总结

• 性能评估图（对比图、误差图、拟合图）用于量化模型在训练集和测试集上的准确性和稳定性。
• SHAP分析图（摘要图、重要性图、依赖图）用于解释模型决策逻辑，增强可解释性，辅助特征工程优化。
• 若SHAP相关函数未定义，需确保自定义函数或工具箱已正确加载。