机器学习特征重要性排序
时间: 2023-09-07 21:12:43 浏览: 189
***要性是指特征对模型预测结果的影响程度。有多种方法可以用来计算特征重要性。根据引用中的内容,以下是一些常用的特征重要性排序方法:
1. 嵌入法(Embedded methods):这是一种基于模型的方法,通过训练模型并使用模型内部的特征重要性指标来选择特征。例如,可以使用sklearn库中的SelectFromModel和mljar-supervised中的AutoML来进行特征选择和排序。
2. 排列重要性(Permutation Importance):这种方法通过随机重排某个特征的值来评估该特征对模型性能的影响。可以使用PermutationImportance来计算特征的重要性。
3. SHAP值:SHAP值是一种特征归因方法,可以用来衡量每个特征对模型输出的贡献程度。引用中提到,SHAP值是唯一一致的个性化特征归因方法。
需要注意的是,不同的特征重要性计算方法可能会得到不同的结果,如引用所提到的。因此,为了更全面地评估特征的重要性,可以结合多种方法来获取特征重要性的排序。<span class="em">1</span><span class="em">2</span><span class="em">3</span>
#### 引用[.reference_title]
- *1* *2* [机器学习模型可解释性进行到底——特征重要性(四)](https://blog.csdn.net/sinat_26917383/article/details/115680807)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"]
- *3* [【可解释性机器学习】排列重要性(Permutation Importance)及案例分析详解](https://blog.csdn.net/ARPOSPF/article/details/128774692)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"]
[ .reference_list ]