Python 对于分类模型，“eli5.show_weights”究竟显示了什么？

我使用了

eli5

来应用特征重要性的排列过程。在本文中，有一些解释和一个小例子，但并不清楚

我正在使用

sklearn SVC

模型解决分类问题

我的问题是：这些权重是特定功能被洗牌时准确性的变化（减少/增加），还是这些功能的SVC权重

在中，作者指出，这些值显示了通过重新调整该特性而降低的模型性能。但不确定是否确实如此

小例子：

从sklearn导入数据集
进口eli5
从eli5.sk了解导入置换的重要性
从sklearn.svm导入SVC、SVR
#导入一些数据进行播放
iris=数据集。加载\u iris（）
X=虹膜。数据[：，：2]
y=iris.target
clf=SVC（kernel='linear'）
排列=排列重要性（clf，n_iter=1000，cv=10，评分=‘准确度’）。拟合（X，y）
打印（永久性特征\u重要性\u）
打印（永久性特征\u重要性\u标准\u）
[0.38117333 0.16214   ]
[0.1349115  0.11182505]
eli5.显示权重（perms）

我做了一些深入的研究。 在阅读了源代码之后，我认为这里使用了

cv

，而不是

prefit

或

None

。我的应用程序使用K-Folds方案。我还使用了SVC模型，因此，

score

是这种情况下的准确度

通过查看

排列重要性

对象的

fit

方法，计算

\u cv\u分数\u重要性

）。使用指定的交叉验证方案，并使用测试数据返回

基本评分、特征评分和重要性

（函数：

\u获取评分和重要性

内部

\u cv评分和重要性

）

通过查看

get_score_importances

函数（），我们可以看到

base_score

是非混叠数据上的分数，

feature_importances

（在这里称为：

score_reduces

）被定义为非混叠分数-混叠分数（请参阅）

---

最后，错误（

feature\u importances\u std

）是上述

feature\u importances

）的标准差，

feature\u importances\u

是上述

feature\u importances

（非无序分数减去（-）无序分数）的平均值。

对原始问题的回答稍微短一点，无论

cv

参数的设置如何，eli5都将计算您提供的记分器的平均减少量。因为您使用的是sklearn包装器，所以记分器将来自scikit learn：在您的情况下。总的来说，如果不深入了解源代码，其中一些细节就很难弄清楚，可能值得尝试提交一个pull请求，以尽可能使文档更加详细