Python 如何看待机器学习中预测的特征重要性

我有一个简单的RF分类器模型，使用样本数据集进行训练，效果很好

因此，我使用一些测试数据来预测目标类，假设它发现目标类为

1

或

0

（为简单起见，将其视为二进制分类）

假设我们需要看到测试功能对预测值（

0

或

1

）的影响。请看下面的示例：

input features - [a,b,c]
predicted value - 1

input features - [a,d,c]
predicted value - 10

因此，让我们来看第一个场景，其中输入（测试功能）功能是

a

，

b

和

c

，这将产生

1

现在我想检查一下这些特性（

a

，

b

，

c

），哪些特性对预测值影响最大

1

我该怎么做

---

PS：我知道如何检查训练数据集的特征重要性，但在这种情况下，它不是训练数据集，而是测试数据集，目标类仅在预测后获得。

我用于解释RF分类器预测的一个包是Treeinterpreter。它计算单个特征对单个预测的贡献：“用于解释scikit learn的决策树和随机森林预测的包。允许将每个预测分解为偏差和特征贡献组件…”

本博客解释了它的工作原理，并举例说明了如何使用它。但基本上，一旦您拥有射频型号：

from treeinterpreter import treeinterpreter as ti
prediction, bias, contributions = ti.predict(model, data) 

---

模型是射频模型，数据是测试数据（您为其生成预测的数据集）

您好，谢谢您，您能提供一些示例吗？如何做到这一点？谢谢，我猜

模型

是我的射频模型，什么是

数据

参数？这个博客[这里]（）解释它是如何工作的，这个[这里]（）展示了如何使用它的示例。但基本上，一旦你有了你的模型：

从treeinterpreter导入treeinterpreter作为ti

prediction，bias，contributions=ti。predict（model，data）

model是您的射频模型，data是您的测试数据（生成预测的数据集），谢谢。你能用上面评论的内容更新你的答案吗？因为它可能会在将来帮助别人。（可能他/她会错过评论）嗨，梅尔，我有个问题。当我尝试获取特征重要性时，只有一个特征（17个特征中的一个）的值为0.0000，其他所有特征的值均为0.0000。你知道为什么会这样吗？