4. 外推风险的数据层面诊断

模型外推失败往往不是网络结构的问题，而是数据在“该出现的地方没有出现”。数据层面诊断的目标，是在训练前或部署前回答三个问题：训练数据覆盖了输入空间的哪些区域？待预测样本落在覆盖区内部还是外部？这种“外部”的程度有多大、是否可信？本节围绕覆盖范围刻画、稀疏区域识别、外推距离度量与代表性评估四条线索展开，并给出可直接落地的计算方式。

一、覆盖范围：先定义“输入空间”再谈覆盖

覆盖范围不是简单的样本数量统计，而是样本在特征空间中的分布形态。第一步是确定用于诊断的特征子集：应选择对输出影响大、且在部署时会变化的变量，例如材料设计中的成分比例与烧结温度、结构分析中的几何尺寸与载荷幅值。对高维输入，通常先做标准化（z-score）或归一化到 [0,1]，避免量纲差异主导距离计算。

覆盖范围可用两类互补指标描述。其一是逐维区间覆盖：对每个特征统计训练集的最小值、最大值与分位数（如 1%、5%、95%、99%），形成“可信区间带”。其二是联合覆盖：逐维区间都落在范围内，并不代表联合区域被覆盖——两个特征可能各自覆盖良好，但其组合区域完全空白。因此需要借助降维投影（PCA 前两主成分）或二维边际散点来观察联合分布的空洞。

二、稀疏区域：用密度而非距离判断“空”

稀疏区域的本质是局部样本密度低。实践中推荐使用 k 近邻距离作为密度代理：对训练集每个样本计算到其第 k 个近邻的距离 d_k（k 常取 5～20），得到训练集的距离分布；对待诊断样本计算同样的 d_k，若显著大于训练分布的高分位数（如 95%），则说明它处于稀疏区。相比全局距离，kNN 距离对局部密度变化更敏感，也不依赖对分布形状的强假设。

需要注意，稀疏不等于危险：某些稀疏区是物理上不可达的输入组合（如成分比例之和必须为 1），这类区域不应被当作外推风险。因此在标记稀疏区后，应结合物理/工艺约束做一次过滤，把“不可行区域”和“可行但未采样区域”区分开，后者才是真正需要补数据或降权预测的目标。

三、外推距离度量：从单点到分布

外推距离应回答“待预测样本离训练分布有多远”，常用三类度量：

• 马氏距离：d_M(x)=√((x−μ)ᵀΣ⁻¹(x−μ))，考虑特征相关性与尺度，适合近似椭球分布的数据；Σ 需用训练集估计并做正则化（如加 λI）以避免奇异。
• kNN 距离：d_k(x) 直接反映局部稀疏程度，无需分布假设，适合多模态数据。
• 到最近训练样本的欧氏距离：最直观，但对量纲和特征冗余敏感，仅建议在标准化后作为辅助参考。

单一阈值往往不够稳健。更实用的做法是把距离转成相对分位：计算待预测样本距离在训练集距离分布中的分位数 p，例如 p=0.98 表示它比 98% 的训练样本更“远”。这样阈值可跨数据集复用，也便于分级：p<0.90 为内插区，0.90～0.99 为边缘区，p≥0.99 为外推区。下图给出从训练数据到风险分级的诊断链路与关键判据。

四、代表性评估：让“覆盖”与“部署”对齐

覆盖范围描述的是训练集自身，代表性则要求训练分布与部署输入分布一致。常用做法是分层对比：按关键特征（如温度区间、载荷等级、成分族）把输入空间划成若干子区域，统计训练集与部署样本在各子区域的占比。若某子区域部署占比高而训练占比极低，即使该区域样本的绝对距离不大，也应视为高风险区。这种“占比错配”比单点距离更能揭示系统性外推。

另一个实用手段是双样本检验：对训练集与部署集在同一特征上做 KS 检验或计算 PSI（群体稳定性指数），PSI 超过 0.2 通常提示分布明显偏移。对高维情形，可先降维再比较投影分布，或直接比较 kNN 距离分布的差异。

五、一个可执行的教学示例

假设某合金强度预测任务，输入为成分 A 比例 x₁∈[0,0.4]、温度 x₂∈[600,900]℃，训练集 800 条。标准化后估计 μ、Σ，取 k=10。对一条待预测样本 x*=(0.38, 880)，计算得 d_M=3.6，在训练集马氏距离分布中对应 p=0.995；d₁₀ 也高于训练集 95% 分位。同时分层统计发现，x₁>0.35 且 x₂>850 的子区域在训练集中仅占 1.2%，而部署集中占 9%。三项证据一致指向外推区，处理策略应是：优先补充该子区域实验数据；在补数据前，对该区域预测输出附加“外推警告”并给出基于 kNN 邻居的局部误差估计，而非直接采用全局模型点预测。