回归系数图 (Coefficient) 会员专享
📐 这是什么？
VIP 图告诉你"哪些变量重要"，S-Plot 告诉你"哪些变量可信"，但它们都没有直接回答一个最朴素的问题：
"这个变量每变化一点，结果会变化多少？"
回归系数图给出的正是这个答案——把模型的回归系数按变量排开，展示每个特征的大小与方向。
🧐 怎么看？
柱子的方向：决定"往哪调"
| 方向 | 含义 |
|---|---|
| 正值（向上） | 该变量增大 → 预测结果增大（正相关） |
| 负值（向下） | 该变量增大 → 预测结果减小（负相关） |
💡 这张图最有价值的地方就是方向。VIP 只告诉你"重要"，系数图告诉你"往哪个方向调"——这正是工艺优化真正需要的。
柱子的长度：决定"调多少"
- 系数绝对值越大 → 该变量对结果的影响越强
- 接近 0 的柱子 → 该变量几乎不影响结果
⚠️ 系数大小不能直接横向比较——除非所有变量都做了标准化。如果某个变量本身量纲就很大（如温度 300 vs pH 7）， 它的系数会天然偏小，这不代表它不重要。
🛠️ 怎么用？
配置项
| 配置项 | 说明 |
|---|---|
| 组件数 | 选择要查看的潜变量 / 主成分（1 ~ 最优组件数） |
点击 绘制 生成。切换不同组件可以观察系数如何随组件数变化。
典型用法
| 目的 | 做法 |
|---|---|
| 确定调节方向 | 找目标 Y 的系数为正的变量 → 增大它们有望提升 Y |
| 识别抑制因素 | 系数为负且绝对值大的变量 → 是提升 Y 时的"阻力" |
| 交叉验证 VIP | 系数大 且 VIP > 1 的变量，才是真正可靠的抓手 |
| 检查业务合理性 | 若某变量系数方向与工艺常识相反 → 警惕数据泄漏或共线性问题 |
🎯 与 VIP 图的分工
| 图表 | 回答的问题 | 是否给出方向 |
|---|---|---|
| VIP 图 | 谁重要？ | ❌ 只有大小 |
| 回归系数图 | 往哪调？调多少？ | ✅ 有方向 |
| SHAP 图 | 每个样本上如何贡献？ | ✅ 有方向，且逐样本 |
💡 推荐组合：VIP 筛出候选 → 系数定方向 → SHAP 看个体差异。三者配合，才能从"哪些变量重要"推进到 "具体该怎么调"。
⚠️ 注意事项
- 仅支持有监督模型（PLS / PLS-DA / OPLS / OPLS-DA）
- OPLS 模型的系数是"等效系数"：平台已把校正后的系数投影回原始变量空间，因此可以直接按原始工艺变量解读
- 共线性会扭曲系数：两个高度相关的变量，系数可能一个大正一个大负（互相抵消），此时应结合业务判断或考虑剔除其一
- 系数不等于因果：系数大只说明"统计上关联强"，要确认因果请用 因果推断 (DML)