XAI/ML：机器学习模型可解释性之量化特征贡献度(特征重要性)的函数详解(feature_importances_/plot_partial_dependence/permutation_impor

XAI/ML：机器学习模型可解释性之量化特征贡献度(特征重要性)的函数详解(feature_importances_/plot_partial_dependence/permutation_importance)

目录

1、feature_importances_函数

1.1、源代码解读

LGBMClassifier

XGBClassifier

feature_importances_的原生代码

CatBoostClassifier

1.2、plot_importance方法

XGBModel之plot_importance的原生代码

2、plot_partial_dependence函数

XAI之PDP：PDP部分依赖图可视化算法(Why—每个特征如何影响预测)的简介(原理/意义/优缺点/应用)、常用工具包、案例应用之详细攻略

3、permutation_importance函数

XAI之FI：VI/FI/PFI置换算法(What—哪些特征对预测的影响最大)的简介(原理/意义/优缺点/应用/改良)、常用工具包、案例应用之详细攻略

---

1、feature_importances_函数

简单来说，每个特征对于提升整个模型的预测能力的贡献程度就是特征的重要性。clf.feature_importances_ 是 scikit-learn 中许多分类器模型都具有的一个方法，它用于计算每个特征对模型预测的重要性。其本质思想是利用训练好的分类器模型，评估每个特征在模型的预测中所起的作用。