Python 在评估tensorflow模型时，是否有办法消除测试集中的特定特性？

取消/忽略测试集中的特征背后的想法是理解模型认为预测目标变量（通过比较评估指标的值）有多重要。对于数值变量，我考虑将它们设置为0，假设乘法（带权重）为0，因此它将从集合中消除。这种方法正确吗？否则应该怎么做？

---

我正在使用tensorflow的DNNRepressor进行建模。

对于深度模型，没有通用的独立于输入的方法来实现您想要的这种功能（使用预训练模型，只需更改测试集上该功能的表示）

---

相反，我建议您进行训练时间：使用不同的特征组合训练模型的不同变体，并比较它们的验证集性能。这实际上会告诉您每个功能有多大帮助。

您是否考虑过其他标准形式的重要性度量，即p值和相关性分析？从NN中删除特征不像设置为0那么容易，因为偏差项与下一层的正向方程相结合仍然会影响预测。如果我错了，请更正，但相关性分析不是模型学习之前特征选择的过滤方法吗？在模型经过培训后，我试图找到模型赋予特征的重要性。另外，在我的例子中，我只使用一个隐藏层，所以0设置方法可以吗？然后我会尝试将其设置为0，而不是设置为特征平均值以取消其效果。您能否解释设置为平均值将如何产生取消效果？即使你可以分享一个关于基本理论的链接，这也会有所帮助。谢谢。我没有具体的资料可供分享，但我的直觉是，将某个特性设置为零并不一定会抵消该特性，而是可能会将其设置为任意值。考虑这样的情况，例如，您的特征遵循以X为中心的高斯分布，其中零点位于尾部的最末端。然后在测试期间将特性设置为零将转化为一个非常独特的特性值，该值可能会引发强烈的激活。另一方面，将其设置为其平均值实际上意味着一个相当常见的值，从该值不会发生特定的响应。