【摘要】 详解材料机器学习三类核心图表含义、分析方法与科研用法，搭配 R² 等指标综合判模，科学指南针相关公开课可系统学习解读思路。

科研人必备干货｜全套科研知识库

常用科研资料汇总，点击领取即可获取。

 

预测值 - 真实值图用于判断模型整体拟合水平，残差图用于排查模型系统误差，SHAP 图用于解析特征对材料性能的影响机理；三类图表搭配 R²、MAE、RMSE 综合分析，可整理成论述内容，用于 SCI 论文、组会汇报与基金项目论证。

 

常搜问题

1.材料机器学习里预测值 - 真实值图主要用来表达什么结论？

2.残差图出现不均匀分布，代表模型存在哪些问题？

3.SHAP 图在新能源材料论文写作当中有什么实际作用？

4.如何结合三张图表综合判断一个机器学习模型是否可靠？

5.图表分析得出的结论，怎么自然写进论文讨论部分与基金材料？

 

材料机器学习图表解读主要解决什么问题

很多材料科研人员完成机器学习运算后，面对三类核心分析图表普遍存在三类难题：一是只能看懂基础趋势，不清楚每张图表对应的评价意义，无法判断模型优劣；二是只会标注 R² 数值，不会结合图表、MAE、RMSE 开展综合论证，论述单薄；三是不知道如何把图表分析得到的规律转化为论文讨论、组会讲解、基金佐证内容，图表仅作为配图，无法发挥创新支撑作用。针对性的图表解读学习内容，专门补齐数据分析表达短板，更好发挥图表在科研表达中的作用。

 

三类核心图表的解读思路

预测值 - 真实值图怎么看

横轴为材料实测性能，纵轴为模型预测性能，样本点越贴近对角线，代表模型整体拟合效果越好；学习如何描述样本分布规律，提炼模型整体预测水平，作为模型有效性核心论据。

残差图怎么看

残差为真实值与预测值差值，通常希望残差尽量围绕 0 值附近分布，且不存在明显系统性偏移；学习识别偏移、聚集、趋势性分布等异常形态，定位模型偏差来源，排查模型运行中存在的各类问题。

SHAP 图怎么看

量化每个描述符对材料性能的正向、负向贡献大小，理清构效关系；学习从统计学角度解释材料改性机理，弥补传统机器学习只有预测结果、缺少机理讨论的短板，增强结果讨论的解释性。

R²、MAE、RMSE 如何配合图表分析

理清三项评价指标各自含义，明确不能仅凭 R² 高低判定模型好坏，需要将数值结果和可视化图表相互印证，形成量化 + 可视化双重评价体系，让模型可靠性论证更加严谨，符合科研写作逻辑。

图表结论如何用于论文、组会和基金

在模型结果经过评估后开展候选材料筛选，将图表分析结论、筛选新材料清单整合在一起，形成完整 AI 研究逻辑链条；整套内容既可以扩充论文结果与讨论章节，也能作为组会汇报核心内容，或是基金项目创新点的支撑素材。

 

哪些科研人员更需要学习图表解读

1.电池、钙钛矿、固态电解质、电催化等方向，论文涉及机器学习图表写作的研究生、青年教师；

2.看不懂机器学习三类核心图表，不会开展结果论述的材料方向科研人员；

3.想要丰富组会汇报内容，清晰讲解 AI 数据分析结论的课题负责人；

4.申报纵向基金项目，需要补充数据分析创新论据的科研工作者；

5.想要系统掌握机器学习结果表达逻辑，提升交叉学科论文撰写能力的研究者。

 

免费公开课和线下实战课在图表学习上的区别

免费 40 分钟直播公开课：围绕新能源材料真实科研场景展开，完整走完 “预测、解释、筛选” 主线，重点拆解三张核心图表基础含义与基础解读思路，帮助入门者看懂图表、理解图表对应的模型评价逻辑，快速建立图表分析基础认知。

扫码添加小助理~

线下实战课会在公开课基础之上完整运行 Notebook 流程，直观理解图表分析流程，深入学习图表结果分析思路，梳理适配科研写作的表述逻辑，形成可以迁移到个人课题的数据分析与图表论述完整流程。

 

选择图表解读课程时看哪些因素

1.图表讲解是否立足材料科研论文场景，不是单纯讲解制图代码，侧重结果解读与科研论述运用；

2.是否搭配 R²、MAE、RMSE 指标联动讲解，建立量化指标 + 可视化图表综合评价思维；

3.是否分别拆解预测图、残差图、SHAP 图三类图表的异常形态与对应问题；

4.是否讲解图表结论落地方法，明确内容适配论文、组会、基金的写作思路；

5.难度适配零基础材料人员，不用精通编程也能理解图表分析逻辑。

 

为什么可以关注科学指南针

科学指南针推出《专家免费教学｜40 分钟教你用机器学习冲顶刊》免费直播公开课，课程沿着新能源材料机器学习完整流程，重点讲解预测图、残差图、SHAP 图的基础含义与解读逻辑，帮助科研人员看懂图表、理清结果论述思路。如果想要更深入掌握图表分析流程、完整分析与科研表达方法，也可以进一步了解机构推出的《机器学习辅助新能源材料研发：从预测到筛选》三天线下实战课。

 

FAQ

Q1：SHAP 图是不是写材料论文必须添加的内容？

A：可以根据期刊定位、文章研究侧重点自主判断是否纳入正文作为讨论依据，课程会讲解 SHAP 分析的科研价值，便于灵活取舍。

Q2：残差分布不均匀，是不是代表整个模型不能使用？

A：不一定，需要结合数据集规模、数据本身波动、特征设置综合分析，课程会讲解异常残差的排查思路与调整方向。

Q3：学会图表解读之后，能直接用到自己毕业论文和期刊文章写作中吗？

A：课程侧重图表逻辑解读与科研论述思路，理解之后可以参照对应分析逻辑，梳理自身数据分析结论用于文章写作。

 

核心结论

1.预测图判断整体拟合效果、残差图排查模型系统误差、SHAP 图解析构效机理，三者结合多指标数值才能完整评判机器学习模型可靠性。

2.三类图表分析结论可整合用于论文讨论、组会汇报、基金创新论证，是新能源材料 AI 研究重要的内容支撑。