python变量贡献率排序_103，每个特征的贡献率是多少？

对于变量的贡献率，需要先进行特征工程和模型训练，才能得到每个特征的贡献率。一般可以使用线性回归模型、决策树模型等进行特征选择和特征重要性排序，得到每个特征的权重或重要性值，从而得到每个特征的贡献率。

在Python中，可以使用sklearn库中的特征选择模块和树模型模块来进行特征选择和特征重要性排序。例如，使用随机森林模型来计算每个特征的重要性，可以使用以下代码：

from sklearn.ensemble import RandomForestRegressor

# 假设X为特征矩阵，y为目标变量
model = RandomForestRegressor()
model.fit(X, y)

# 得到每个特征的重要性
importance = model.feature_importances_

# 对特征重要性进行排序
indices = np.argsort(importance)[::-1]

# 输出每个特征的重要性和排名
for f in range(X.shape[1]):
    print("%d. feature %d (%f)" % (f + 1, indices[f], importance[indices[f]]))

输出结果中，每个特征的重要性值越大，排名越靠前，代表该特征对目标变量的影响越大，其贡献率也就越高。