第 14 章 · 系数的读法：符号、大小、量纲

这一章要解决什么：model.coef_ 是一串数字，但它不是一份重要性排行榜。 这一章要建立的纪律是：先看符号，再看量纲，最后才敢看大小。

最容易踩的坑： ① 直接按 coef_ 的绝对值排重要性 —— 量纲差 6 个数量级，排名是假的； ② 把系数当成相关性 —— 同一个 cycle，单特征系数和多特征系数差 3.82 倍； ③ 以为系数至少是"稳定的" —— 这份数据的系数表自己在抖（coulombic_eff 的系数 在 +0.006146 和 +27.005353 之间，取决于求解器怎么算）。

本章你需要完成的代码：demos/ch14-coefficient-reading.py

14.1 一个系数要读三样东西

线性模型的预测公式是：

ŷ = w₁x₁ + w₂x₂ + … + w₇x₇ + b

w 就是 coef_。读它要按顺序问三个问题：

顺序	问题	为什么是这个顺序
①	符号是正还是负？	它回答"这个特征变大时，预测往哪边走" —— 和量纲无关，永远可读
②	它的单位是什么？	w 的单位 = （标签单位）/（特征单位）—— 不写单位，这个数没有意义
③	和其他系数比大小，可比吗？	只有把所有特征放到同一把尺子上才能比

★ 第 ③ 步是最容易被跳过的一步。

coef_ = [..., -0.0000382, ..., +27.0053535, ...]
                 ↑                  ↑
        "cycle 的系数好小，       "coulombic_eff 的系数好大，
         它大概不重要"              它最重要"

这两句判断都是错的 —— 因为它们把不同单位的数字直接比了大小。

一个生活化的类比：

"我的体重比身高大，所以体重更重要"
    ↓
体重 65（公斤）、身高 1.72（米）
    ↓
不是体重更重要，是你把两个不同单位的数字直接比了。
    ↓
换算成同一个单位（都变成"厘米"或者"占平均值的比例"）才有意义。

14.2 打印一张系数表

真实输出：

=== ① 打印一张系数表（这就是最容易读错的东西）===
  intercept_ = -25.709307
  特征                                       系数         单位        ×1σ        ×全距
  cycle                           -0.00003823          次   -0.01328   -0.05313
  mean_charge_voltage_v           -0.05841803          V   -0.00497   -0.02707
  mean_temp_rise_c                -0.00173585          ℃   -0.00667   -0.04068
  resistance_mohm                 +0.00011642         mΩ   +0.00126   +0.00626
  coulombic_eff                  +27.00535348          —   +0.02888   +0.12422
  cap_fade_rate_ah_per_100        -0.26194258    Ah/100次   -0.00340   -0.02496
  temp_std_c                      -0.03002753          ℃   -0.00415   -0.02252
  （×1σ = 系数 × 该特征一个标准差，是把系数翻译成'合理一步'的走法）

这张表有四列数字，只有后两列是可以比的。

★ 先看符号（第 ① 步，永远可读）：

cycle            -0.00003823   负 → 循环越多，健康度越低        ✓ 符合直觉
resistance_mohm  +0.00011642   正 → 内阻越大，健康度越【高】？   ✗ 与直觉相反（14.4 解释）
coulombic_eff   +27.00535348   正 → 库仑效率越高，健康度越高     ✓ 符合直觉

★ 再看单位（第 ② 步）：

系数	单位	说人话
cycle: -0.00003823	soh / 次	每多循环 1 圈，健康度下降 0.00003823
cap_fade: -0.26194258	soh / (Ah/100次)	衰减速率每多 1 Ah/100次，健康度下降 0.2619
coulombic_eff: +27.00535348	soh / (效率)	效率每提高 1.0（从 0 到 1），健康度上升 27.0

看清楚第三个了吗：coulombic_eff 的系数 27.0 的单位是"效率从 0 变成 1" —— 而这个特征的实际取值只在 0.9937 ~ 0.9983 之间（全距 0.0046）。

它的系数说："效率提高 1.0，soh 涨 27"
    ↓
但它一辈子只变动 0.0046
    ↓
27.00535348 × 0.0046 = 0.1242   ← 这就是"×全距"那一列

★ 第 ③ 步：换成同一把尺子

"×1σ"和"×全距"两列，就是把每个系数翻译成"这个特征在数据里真实走一步，能带来多少 soh 变化"。

×1σ 列 = 系数 × 该特征的标准差   ← 单位统一成"soh"
×全距 = 系数 × 该特征的极差      ← 单位也是"soh"

换算之后，两个数字立刻可比了：

特征	原始系数	×1σ（= 标准化系数）
coulombic_eff	+27.00535348	+0.02888
cap_fade_rate_ah_per_100	-0.26194258	-0.00340
比值	103.1 倍	8.5 倍

★ 同一对特征，"差 103 倍"和"差 8.5 倍"是同一份数据。

点开：为什么"标准化系数"和"×1σ"是同一个东西

标准化系数 = 先把特征减均值除标准差，再拟合得到的系数。

推导很简单：设 z = (x - μ) / σ，那么 x = σz + μ，代入

ŷ = w·x + b = w(σz + μ) + b = (wσ)·z + (wμ + b)

所以：标准化系数 = w × σ   ← 就是"×1σ"那一列

代码里的一一对应：

from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LinearRegression

pipe = Pipeline([("scaler", StandardScaler()), ("model", LinearRegression())]).fit(X_tr, y_tr)
std_coef = pipe.named_steps["model"].coef_          # 标准化系数
back = std_coef / pipe.named_steps["scaler"].scale_  # 还原回原始单位 = 原始系数

注意最后一行：标准化系数除以 scale_ 就回到原始单位。 所以"标准化"没有产生新信息，它只是换了个坐标系，让数字可比。

它还是唯一能让"读系数"这件事变得安全的操作 —— 因为 14.6 节会看到， 不缩放时的原始系数本身就算不准。

14.3 ★ 坑一：按原始系数大小排重要性

这是本章的核心。先看错误做法给出的排名：

真实输出：

=== ② 坑一：按原始系数大小排重要性（错的）===
  第 1 名  coulombic_eff              |系数| = 27.00535348
  第 2 名  cap_fade_rate_ah_per_100   |系数| = 0.26194258
  第 3 名  mean_charge_voltage_v      |系数| = 0.05841803
  第 4 名  temp_std_c                 |系数| = 0.03002753
  第 5 名  mean_temp_rise_c           |系数| = 0.00173585
  第 6 名  resistance_mohm            |系数| = 0.00011642
  第 7 名  cycle                      |系数| = 0.00003823
  → 按这张表，cycle 排在最后一名：|-0.00003823|
    它和第一名 coulombic_eff |27.00535348| 差 706,461 倍。

再看正确做法给出的排名：

=== ③ 标准化之后再看（对的）===
  标准化 R²（同一划分）= 0.95053
  第 1 名  coulombic_eff              标准化系数 = +0.028881
  第 2 名  cycle                      标准化系数 = -0.013282   ← 从最后一名升到第二名
  第 3 名  mean_temp_rise_c           标准化系数 = -0.006670
  第 4 名  mean_charge_voltage_v      标准化系数 = -0.004971
  第 5 名  temp_std_c                 标准化系数 = -0.004154
  第 6 名  cap_fade_rate_ah_per_100   标准化系数 = -0.003403   ← 从第二名掉到倒数第二名
  第 7 名  resistance_mohm            标准化系数 = +0.001261
  → cycle 与 coulombic_eff 的差距：原始系数 706,461 倍 → 标准化后 2.17 倍。
  → 唯一能让系数可比的动作是：把它们放到同一把尺子上（这里是 σ）。

★ 把两个排名并排放，就是这一章的全部：

特征	原始系数排名	标准化系数排名	变化
coulombic_eff	1	1	稳
cap_fade_rate_ah_per_100	2	6	掉了 4 名
mean_charge_voltage_v	3	4	↓1
temp_std_c	4	5	↓1
mean_temp_rise_c	5	3	↑2
resistance_mohm	6	7	↓1
cycle	7（最后）	2	升了 5 名

「cycle 与 coulombic_eff 谁更重要？」这个问题的完整回答

问题：cycle 的系数是 -0.00003823，coulombic_eff 的系数是 +27.00535348，
      是不是 coulombic_eff 重要得多？
    ↓
错误回答："对，差 70 万倍，coulombic_eff 碾压。"
    ↓
正确回答：
  "不能这样比 —— 这两个系数的单位不同。
   cycle 的单位是 soh/次，coulombic_eff 的单位是 soh/效率。
   换成同一把尺子（各乘自己的标准差）之后，
   两者相差 2.17 倍，coulombic_eff 略强。"

量纲差多少？

特征	取值范围	全距
cycle	50 ~ 1440	1390
coulombic_eff	0.9937 ~ 0.9983	0.0046

两者的"典型变化幅度"相差 1,390 / 0.0046 ≈ 302,174 倍
    ↓
所以它们的系数天然相差几万倍，这与"谁重要"毫无关系

★ 用第二把尺子交叉验证（这一步很关键）

万一"除以标准差"是一种任意的选择呢？换一把尺子看看：

特征	×1σ	×全距
coulombic_eff	+0.02888（第 1）	+0.12422（第 1）
cycle	-0.01328（第 2）	-0.05313（第 2）
mean_temp_rise_c	-0.00667（第 3）	-0.04068（第 3）
cap_fade_rate_ah_per_100	-0.00340（第 6）	-0.02496（第 5）
resistance_mohm	+0.00126（第 7）	+0.00626（第 7）

★ 两把尺子给出几乎相同的排名 —— 这才是"cycle 排第二"可信的原因。

如果换一把尺子排名就天翻地覆 → 说明排名不稳定，不能下结论
如果换一把尺子排名基本不变   → 说明这个结论对尺子的选择不敏感

这条"换个方式再算一遍"的习惯，会在第 23~26 章反复出现。

点开：那"系数大 = 重要"这句话，什么时候是对的？

它在一种情况下是对的：所有特征已经被放到同一把尺子上了。

# 已经把特征标准化过
pipe = Pipeline([("scaler", StandardScaler()), ("model", LinearRegression())])
pipe.fit(X, y)
coef = pipe.named_steps["model"].coef_
#      ↑ 现在可以直接比大小了

但即使这样，还有两个前提：

前提	如果不满足
特征之间不高度相关	系数会互相"抢功劳"，大小不可解释（14.5）
模型没有正则化	带惩罚的模型会主动压缩系数（第 22 章）

★ 三个条件全满足，才可以说"标准化系数大 = 这个方向影响大"：

① 同一把尺子（标准化）      ← 本章
② 特征之间没有强共线性       ← 14.5
③ 模型没有正则化             ← 第 22 章

缺任何一条，都只能说"这个系数是多少"，不能说"这个特征多重要"。

14.4 ★ 坑二：把系数当相关性

同一个特征 cycle，两个系数：

真实输出：

=== ④ 坑二：把系数当'相关性'（方向对了，大小不对）===
  只用 cycle      ：coef = -0.00014620 → 每 100 圈 1.462 个百分点
  7 个特征一起看  ：coef = -0.00003823 → 每 100 圈 0.382 个百分点
  → 同一个特征，两个系数差 3.82 倍。
     第一个问的是'总的看，循环越多越差多少'；
     第二个问的是'在其它特征都一样的前提下，多循环几圈差多少'。
  与 soh 的相关系数：r(cycle, soh) = -0.9137   （系数不能当相关性读）

两个系数都是对的，它们回答的是两个不同的问题：

模型	问题	答案
只用 cycle	"循环多的设备，健康度低多少？"（边际效应）	每 100 圈 1.462 个百分点
7 个特征一起	"在库仑效率、内阻都一样的前提下，多循环几圈差多少？"（条件效应）	每 100 圈 0.382 个百分点

★ 为什么条件效应小了 3.82 倍：

只用 cycle：把 cycle 当成老化的【唯一代表】
    ↓ 所以它一个人扛下了全部 1.462 个百分点

7 个特征：cycle、coulombic_eff、resistance_mohm 都在描述"老化的程度"
    ↓ 已经有人（coulombic_eff）把大部分信息说完了
    ↓ 留给 cycle 的，只是"效率相同的情况下，多循环几圈"的那一小部分

这就是 13.5 节共线性的直接后果。

★ 一个必须记住的翻译纪律：

❌ "每多循环 100 圈，健康度下降 1.462 个百分点"       ← 缺了前提
✅ "如果只看 cycle 这一列，每多循环 100 圈，健康度平均低 1.462 个百分点"
✅ "如果同时看这 7 个特征（即在其它特征相同时），每多循环 100 圈，健康度低 0.382 个百分点"

★ 为什么"系数 ≠ 相关性"

	相关系数 r	回归系数 w
有没有量纲	没有（永远 ∈ [-1, 1]）	有（标签单位/特征单位）
单变量	r 和 w 同号	——
多变量	r 不考虑其它变量	w 是"控制其它变量后"的效应
符号一致吗	不一定！	见下一节

下一节就是"符号不一致"的真实现场。

14.5 ★ 坑三：共线性让系数不可解释

真实输出：

=== ⑤ 坑三：多重共线性（三个特征在说同一件事）===
                                     cycle  resistance_m  coulombic_ef
  cycle                            +1.0000       +0.8658       -0.9264
  resistance_mohm                  +0.8658       +1.0000       -0.8987
  coulombic_eff                    -0.9264       -0.8987       +1.0000
  VIF(coulombic_eff             ) =  16.71   ← >5，系数已经不稳
  VIF(cycle                     ) =  11.21   ← >5，系数已经不稳
  VIF(resistance_mohm           ) =   5.05   ← >5，系数已经不稳
  VIF(temp_std_c                ) =   3.10
  VIF(mean_charge_voltage_v     ) =   2.51
  VIF(mean_temp_rise_c          ) =   2.04
  VIF(cap_fade_rate_ah_per_100  ) =   1.78
  符号反转的例子（resistance_mohm）：
    单独用 resistance_mohm     ：coef = -0.00442195  （负号：内阻越大越差 ✓）
    7 个特征一起（数值可靠解） ：coef = +0.00011642  （符号反了 ✗）
    → 它的'独立作用'已经被 cycle / coulombic_eff 解释完了，剩下的是噪声。

★ 这个符号反转不是 bug，是共线性的必然结果。

r(resistance_mohm, soh) = -0.8784        ← 单独看：内阻和健康度强负相关
    ↓
但 r(resistance_mohm, coulombic_eff) = -0.8987   ← 内阻和效率几乎是一条直线的两端
    ↓
模型看到的是：
   "效率低" 这一个信息，已经足够解释健康度下降
   "内阻高" 这一个信息，和"效率低"是同一件事
    ↓
模型把功劳判给了 coulombic_eff（因为它的 |r| 更高一点）
    ↓
留给 resistance_mohm 的系数，是"在效率相同的前提下，内阻还多解释了什么"
    ↓
答案：几乎什么都没有（+0.00011642，而且符号是正的）

★ 关键区分：共线性伤害的是"解释"，不是"预测"

你要回答的问题	这份共线性数据能不能用
"这支设备的 soh 是多少？"	✅ 能，测试 R² = 0.95053
"内阻每升高 1 mΩ，soh 变化多少？"	❌ 不能，符号都反了
"哪个特征对预测最有用？"	⚠️ 要看第 20 章的特征重要性，而且也要小心

★ 一个实用的判据：

VIF > 10 的特征，它的系数：
  ① 大小不可信（随样本抖动）
  ② 符号可能不可信（就像这里的 resistance_mohm）
  ③ 但"把它放进模型"仍然可能有用（预测层面）

→ 所以：可以留着它做预测，但不能拿它的系数去写结论。

14.6 ★ 坑四：这张系数表自己就在抖

这是本章最深的一层，也是通向第 15 章的钩子。

真实输出：

=== ⑥ 坑四：这张系数表自己就在抖 ===
  sklearn 默认（tol=1e-6）    rank_ = 6/7   coulombic_eff 系数 = +0.006146
  同一次拟合，cond 放宽        rank_ = 7/7   coulombic_eff 系数 = +27.005353
  两者差 26.9992 —— 同一个模型、同一份数据、同一个划分。
  → 在讨论'谁的系数大'之前，先确认这张表本身可信。第 15 章给出机制和修法。

同一个模型、同一份数据、同一个训练集，coulombic_eff 的系数可以是：

+0.006146   （sklearn 默认 tol=1e-6）
+27.005353  （tol=0）

★ 差 26.9992，是 4,394 倍。

这比 14.3 节的"量纲问题"更让人不安：

14.3 的问题：数字可比吗？         → 换把尺子就能修
14.6 的问题：数字本身算对了吗？    → 要动数值设置，或干脆标准化

而且它和 13.4 节那次"加特征暴跌到 0.85018"是同一个原因：

未缩放的特征量纲差 6 个数量级
    ↓
设计矩阵条件数 cond = 3.795e+06
    ↓
sklearn 的 LinearRegression 默认 tol=1e-6，会把小于 tol × σmax 的奇异方向截断
    ↓
rank_ = 6（传进去 7 个特征，只当 6 个用）
    ↓
系数的"最优解"变成了另一个问题的解 → 系数值当然不同

★ 所以读系数的完整流程应该是：

① 先标准化（或至少确认 rank_ == 特征数）
② 再看符号
③ 再看标准化系数的大小
④ 最后检查共线性（VIF）是否允许你解释它

第 15 章会把第 ① 步讲透。

点开：怎么快速体检"这张系数表能不能信"

三个一行检查：

model = LinearRegression().fit(X_tr, y_tr)

# ① 秩：传进去几个特征，就用上了几个？
print(f"rank_ = {model.rank_} / {X_tr.shape[1]}")        # 必须相等

# ② 条件数：量纲是不是差太多？
import numpy as np
print(f"cond = {np.linalg.cond(X_tr.to_numpy()):.3e}")     # > 1e4 就要警惕

# ③ 交叉验证：换个数值路径，系数会不会变？
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
pipe = Pipeline([("s", StandardScaler()), ("m", LinearRegression())]).fit(X_tr, y_tr)
back = pipe.named_steps["m"].coef_ / pipe.named_steps["s"].scale_
print("两条路径的系数最大差：", np.abs(model.coef_ - back).max())

这份数据上的真实结果：

rank_ = 6 / 7              ← 第 ① 条就已经报警了
cond = 3.795e+06           ← 第 ② 条也报警
两条路径的系数最大差：26.9992   ← 第 ③ 条坐实了

★ 三条检查全部指向同一个结论：这张表不能用原始系数去解释。

修法有两个，效果一样：

# 方法 A：标准化（推荐 —— 顺手解决"可比性"）
Pipeline([("scaler", StandardScaler()), ("model", LinearRegression())])

# 方法 B：关掉截断（治标）
LinearRegression(tol=0)

为什么推荐 A：它一次解决两个问题（数值正确 + 系数可比）。 第 15 章会给出 tol=0 和标准化在数值上等价的证据（系数最大差 2.59e-13）。

14.7 常见坑

① 按 coef_ 绝对值排重要性        → 量纲差 30 万倍，cycle 会假摔到最后一名
② 拿系数当相关性读               → 单特征 1.462 vs 多特征 0.382 个百分点/100圈
③ 忽略共线性直接解释符号          → resistance_mohm 的符号会反转
④ 以为系数是"稳定"的             → coulombic_eff: +0.006146 还是 +27.005353，取决于 tol
⑤ 忘了说前提                    → "每 100 圈降 1.462 个百分点"必须补"只看 cycle 时"
⑥ 标准化后忘了还原单位            → 标准化系数的单位是 "soh / 1σ"，不是原始单位

14.8 完整示例与输出

cd code
python demos/ch14-coefficient-reading.py

真实输出（节选）：

=== ① 打印一张系数表（这就是最容易读错的东西）===
  特征                                       系数         单位        ×1σ        ×全距
  cycle                           -0.00003823          次   -0.01328   -0.05313
  coulombic_eff                  +27.00535348          —   +0.02888   +0.12422
  cap_fade_rate_ah_per_100        -0.26194258    Ah/100次   -0.00340   -0.02496

=== ② 坑一：按原始系数大小排重要性（错的）===
  第 7 名  cycle                      |系数| = 0.00003823

=== ③ 标准化之后再看（对的）===
  第 2 名  cycle                      标准化系数 = -0.013282   ← 从最后一名升到第二名
  → cycle 与 coulombic_eff 的差距：原始系数 706,461 倍 → 标准化后 2.17 倍。

=== ⑤ 坑三：多重共线性（三个特征在说同一件事）===
    单独用 resistance_mohm     ：coef = -0.00442195  （负号：内阻越大越差 ✓）
    7 个特征一起（数值可靠解） ：coef = +0.00011642  （符号反了 ✗）

=== ⑥ 坑四：这张系数表自己就在抖 ===
  sklearn 默认（tol=1e-6）    rank_ = 6/7   coulombic_eff 系数 = +0.006146
  同一次拟合，cond 放宽        rank_ = 7/7   coulombic_eff 系数 = +27.005353

本章练习

练习 1：把"系数大 = 重要"亲手推翻

用 7 个特征按设备划分拟合线性回归（数值可靠解用 LinearRegression(tol=0)）：

1. 按原始系数的绝对值排序，打印名次；
2. 换成 Pipeline(StandardScaler + LinearRegression)，按标准化系数排序，打印名次；
3. 找出排名变化最大的那个特征，报出它在两个排序里的名次。

参考答案

import pandas as pd
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import GroupShuffleSplit
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler

FEATS = ["cycle", "mean_charge_voltage_v", "mean_temp_rise_c", "resistance_mohm",
         "coulombic_eff", "cap_fade_rate_ah_per_100", "temp_std_c"]

df = pd.read_csv("data/battery/soh_features.csv")
tr, _ = next(GroupShuffleSplit(n_splits=1, test_size=0.2, random_state=42)
             .split(df[FEATS], df["soh"], groups=df["cell_id"]))
X_tr, y_tr = df[FEATS].iloc[tr], df["soh"].iloc[tr]

raw = LinearRegression(tol=0).fit(X_tr, y_tr)
for i, (c, co) in enumerate(sorted(zip(FEATS, raw.coef_), key=lambda t: -abs(t[1])), 1):
    print(f"原始第 {i} 名  {c:26s} {abs(co):.8f}")

pipe = Pipeline([("s", StandardScaler()), ("m", LinearRegression())]).fit(X_tr, y_tr)
std = pipe.named_steps["m"].coef_
order_std = [c for c, _ in sorted(zip(FEATS, std), key=lambda t: -abs(t[1]))]
for i, (c, co) in enumerate(sorted(zip(FEATS, std), key=lambda t: -abs(t[1])), 1):
    print(f"标准化第 {i} 名 {c:26s} {co:+.6f}")

print(f"cycle 原始排名 7/7，标准化排名 {order_std.index('cycle') + 1}/7")
print(f"cycle:coulombic 原始差 {abs(raw.coef_[4] / raw.coef_[0]):,.0f} 倍 → "
      f"标准化差 {abs(std[4] / std[0]):.2f} 倍")

期望输出：

原始第 1 名  coulombic_eff              27.00535348
原始第 2 名  cap_fade_rate_ah_per_100   0.26194258
原始第 3 名  mean_charge_voltage_v      0.05841803
原始第 4 名  temp_std_c                 0.03002753
原始第 5 名  mean_temp_rise_c           0.00173585
原始第 6 名  resistance_mohm            0.00011642
原始第 7 名  cycle                      0.00003823
标准化第 1 名 coulombic_eff              +0.028881
标准化第 2 名 cycle                      -0.013282
标准化第 3 名 mean_temp_rise_c           -0.006670
标准化第 4 名 mean_charge_voltage_v      -0.004971
标准化第 5 名 temp_std_c                 -0.004154
标准化第 6 名 cap_fade_rate_ah_per_100   -0.003403
标准化第 7 名 resistance_mohm            +0.001261
cycle 原始排名 7/7，标准化排名 2/7
cycle:coulombic 原始差 706,461 倍 → 标准化差 2.17 倍

③ 变化最大的是 cycle：从第 7 名（最后）升到第 2 名。

★ 为什么"第 7 名 → 第 2 名"这件事这么有教育意义

原始系数的单位：soh / 次
    cycle 一次变化 1（一圈），影响小得看不见
    coulombic_eff 一次变化 1（效率从 0 到 1），影响被放大 27 倍

但 coulombic_eff 在数据里一辈子只变化 0.0046，
而 cycle 会变化 1390。
    ↓
把"真实会走多远"乘回去，排名就翻转了。

★ 一句可以直接写进报告的结论

在按设备划分的训练集上，7 个特征的标准化系数绝对值排序为 coulombic_eff(0.0289) > cycle(0.0133) > mean_temp_rise_c(0.0067) > … cycle 的原始系数（0.0000382）看似最小，是因为它的单位是"次"； 按各自一个标准差折算后它是第二位，与 coulombic_eff 只差 2.17 倍。

练习 2：把系数翻译成人话（两种问法）

用 cycle 一个特征和用 7 个特征，分别拟合：

1. 报出两种情况下 cycle 的系数；
2. 翻译成"每 100 圈，soh 变化几个百分点"；
3. 解释为什么两个数字不一样，以及各自该在什么场合使用。

参考答案

import pandas as pd
from sklearn.linear_model import LinearRegression

FEATS = ["cycle", "mean_charge_voltage_v", "mean_temp_rise_c", "resistance_mohm",
         "coulombic_eff", "cap_fade_rate_ah_per_100", "temp_std_c"]

df = pd.read_csv("data/battery/soh_features.csv")

one = LinearRegression().fit(df[["cycle"]], df["soh"])
print(f"只用 cycle    ：coef = {one.coef_[0]:+.8f} → "
      f"每 100 圈 {abs(one.coef_[0]) * 100 * 100:.3f} 个百分点")

seven = LinearRegression(tol=0).fit(df[FEATS], df["soh"])
print(f"7 特征一起    ：coef = {seven.coef_[0]:+.8f} → "
      f"每 100 圈 {abs(seven.coef_[0]) * 100 * 100:.3f} 个百分点")
print(f"倍数差 {abs(one.coef_[0] / seven.coef_[0]):.2f}   "
      f"r(cycle, soh) = {df['cycle'].corr(df['soh']):+.4f}")

期望输出：

只用 cycle    ：coef = -0.00014620 → 每 100 圈 1.462 个百分点
7 特征一起    ：coef = -0.00003823 → 每 100 圈 0.382 个百分点
倍数差 3.82   r(cycle, soh) = -0.9137

③ 两个数字都是对的，它们回答两个不同的问题

	只用 cycle	7 个特征一起
问题	"循环次数多的设备，健康度低多少？"	"其它条件相同时，多循环几圈差多少？"
统计名字	边际效应（marginal effect）	条件效应（conditional effect）
数字	1.462 个百分点 / 100 圈	0.382 个百分点 / 100 圈
什么时候用	只有一个特征、或做粗略估算	多特征模型里解释"这个特征的独立贡献"

★ 为什么差 3.82 倍

只用 cycle 时，cycle 一个人扛下了全部老化信息
    ↓
加入 coulombic_eff 之后，"老化程度"这件事被它说掉了大部分
（r(cycle, coulombic_eff) = -0.9264）
    ↓
cycle 的系数只剩下"效率相同的前提下，循环次数还多解释了什么"

★ 报告里怎么写

❌ "每多循环 100 圈，健康度下降 1.462 个百分点。"
   → 没说这个数字是在哪个模型里得到的

✅ "在只用 cycle 的单特征模型里，每多循环 100 圈健康度平均低 1.462 个百分点；
    在 7 特征模型里（即控制库仑效率、内阻等之后），这个效应降到 0.382 个百分点。
    两者的差别来自特征之间的高度相关。"

★ 顺带回答"系数能不能当相关性"：

r(cycle, soh) = -0.9137     ← 无单位，∈[-1,1]
coef(cycle)  = -0.00014620   ← 有单位（soh/次）

方向一致（都是负的），但数字完全不可比：
一个是"相关强度"，一个是"变化速率"。

练习 3：找一个会"符号反转"的系数

只考虑 resistance_mohm：

1. 单独用它拟合，报系数与符号；
2. 放进 7 个特征里（用 tol=0）再报一次；
3. 分别计算 r(resistance_mohm, soh) 和 r(resistance_mohm, coulombic_eff)；
4. 解释符号为什么会反。

参考答案

import numpy as np
import pandas as pd
from sklearn.linear_model import LinearRegression

FEATS = ["cycle", "mean_charge_voltage_v", "mean_temp_rise_c", "resistance_mohm",
         "coulombic_eff", "cap_fade_rate_ah_per_100", "temp_std_c"]

df = pd.read_csv("data/battery/soh_features.csv")

one = LinearRegression().fit(df[["resistance_mohm"]], df["soh"])
print(f"resistance_mohm 单特征        ：{one.coef_[0]:+.8f}")

full = LinearRegression(tol=0).fit(df[FEATS], df["soh"])
print(f"resistance_mohm 7 特征（整表）  ：{full.coef_[3]:+.8f}")

print(f"r(resistance_mohm, soh)          = {df['resistance_mohm'].corr(df['soh']):+.4f}")
print(f"r(resistance_mohm, coulombic_eff)= {df['resistance_mohm'].corr(df['coulombic_eff']):+.4f}")
print(f"符号是否反转：{np.sign(one.coef_[0]) != np.sign(full.coef_[3])}")

期望输出：

resistance_mohm 单特征        ：-0.00442195
resistance_mohm 7 特征（整表）  ：+0.00000191
r(resistance_mohm, soh)          = -0.8784
r(resistance_mohm, coulombic_eff)= -0.8987
符号是否反转：True

④ 符号为什么反

三步推理：

第一步：单看 resistance_mohm，它和 soh 是强负相关（-0.8784）
        → 内阻大的设备，健康度低。所以单特征系数是负的。

第二步：但 resistance_mohm 和 coulombic_eff 相关 -0.8987
        → "内阻大"和"效率低"在数据里几乎是一回事。
          模型只需要其中一个就能解释 soh 的下降。

第三步：coulombic_eff 与 soh 的相关（+0.9683）比 resistance_mohm（-0.8784）更强，
        所以模型把"老化"这份功劳给了 coulombic_eff，
        留给 resistance_mohm 的系数只回答：
        "在库仑效率相同的前提下，内阻还多解释了什么？"
        → 答案接近 0，而且因为噪声，符号变成了正的一点点。

★ 一个可迁移的判断：

"某个特征的系数符号和常识相反"
    ├─ 先查它和别的特征的相关性（|r| > 0.8 就要警惕）
    ├─ 再查 VIF（> 10 基本可以确定是共线性）
    └─ 如果确实是共线性：别解释这个系数，改用一个"代表性特征"或做降维

★ 千万不要做的事

# ❌ 看到符号反了，就把 resistance_mohm 删掉再拟合
#    这会让 coulombic_eff 的系数也变化（它接过了更多的功劳）
#    而"内阻"这份信息其实还在模型里，只是从另一个名字进去的

# ✅ 正确的做法是：报告里只解释"有代表性的那一个"，
#    或者用第 22 章的正则化让系数稳定下来，再或者用第 20 章的特征重要性

注意：7 个特征一起时，这里用的是整表（21,239 行）而不是训练集（17,244 行）， 所以数字和 14.5 节的 +0.00011642 略有不同（+0.00000191）。 两个都是正的 —— 符号反转这件事在两种划分下都成立。

面向工程实践：一份"系数报告"该长什么样

① 只给一张系数表，等于没给结论

❌ 交付物：coef_ 的七个数
   → 没人能读懂，而且其中至少两个数字本身是错的（14.6）

✅ 交付物：一张带"符号/单位/尺子/前提"的表 + 三条限制

② 一份可用的系数报告模板

特征	符号（方向）	原始系数	单位	标准化系数	VIF	能不能解释
coulombic_eff	+	27.005	soh/效率	0.0289	16.71	⚠️ 共线性高，只看方向
cycle	−	-0.0000382	soh/次	-0.0133	11.21	⚠️ 共线性高，只看方向
mean_temp_rise_c	−	-0.00174	soh/℃	-0.0067	2.04	✅ 可解释
mean_charge_voltage_v	−	-0.0584	soh/V	-0.0050	2.51	✅ 可解释
temp_std_c	−	-0.0300	soh/℃	-0.0042	3.10	✅ 可解释
cap_fade_rate_ah_per_100	−	-0.2619	soh/(Ah/100次)	-0.0034	1.78	✅ 可解释
resistance_mohm	+	+0.000116	soh/mΩ	+0.0013	5.05	❌ 符号反转，不要单独引用

③ 三条必须写进报告的限制

① 这些系数来自【按设备划分】的训练集（17,244 行 / 48 支），
   不是全表，也不是随机划分。
② 原始系数不可比大小；比较请用标准化系数这一列。
③ 共线性高的特征（VIF > 10）的系数不能单独解释。
   本表里 coulombic_eff / cycle / resistance_mohm 都属于这一类。

★ 这三条限制就是"限定词"，它们让上面的数字从"看起来专业"变成"可以被复核"。

④ 一个反例：什么时候系数特别值得看

场景	系数能用吗
特征之间几乎不相关（VIF < 3）	✅ 能，直接读标准化系数
有明确实验设计（正交、随机化）	✅ 能，甚至能谈因果
观测数据 + 高共线性（本书场景）	⚠️ 只能读符号和粗排名
有正则化的模型	❌ 系数被压缩过，不是"效应大小"（第 22 章）

★ 最后一句纪律：

系数是"模型内部的记账"，不是"世界的真相"。 换一组特征、换一个划分、换一个数值设置，它们都会变。 能用它下判断的前提是：你能说清它是在什么条件下算出来的。

---

下一章：第 15 章 · 特征缩放与 Pipeline：把预处理焊进模型