如果商品有很多个属性，那我想找出属性对该商品售卖的好不好的贡献度，应该怎么去做机器学习，并给出代码

对于多个属性对商品售卖的影响，可以使用机器学习中的决策树模型进行分析。决策树可以对多个属性进行分析并确定每个属性对结果的重要性。具体步骤如下：

1. 收集数据，包括商品的各个属性和该商品的销售情况。
2. 将数据集分为训练集和测试集。
3. 使用训练集建立决策树模型。
4. 使用测试集对模型进行评估，计算模型的准确率、召回率、F1值等指标。
5. 分析决策树，确定每个属性对结果的贡献度。

下面是使用Python语言实现的代码示例：

# 导入需要的库
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score

# 读取数据集
data = pd.read_csv('data.csv')
X = data.iloc[:, :-1] # 获取自变量
y = data.iloc[:, -1] # 获取因变量

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)

# 建立决策树模型
model = DecisionTreeClassifier()
model.fit(X_train, y_train)

# 使用测试集对模型进行评估
y_pred = model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print('模型准确率：', accuracy)

# 分析决策树
importance = model.feature_importances_
for i in range(len(importance)):
    print('属性', i+1, '的重要性：', importance[i])

在上述代码中，我们使用了sklearn库中的DecisionTreeClassifier类来建立决策树模型，并使用feature_importances_方法来计算每个属性的重要性。可以根据输出的结果确定每个属性对结果的贡献度。