【机器学习】用特征量重要度(feature importance)解释模型靠谱么？怎么才能算出更靠谱的重要度？

【机器学习】用特征量重要度(feature importance)解释模型靠谱么？怎么才能算出更靠谱的重要度？

我们用机器学习解决商业问题的时候，不仅需要训练一个高精度高泛化性的模型，往往还需要解释哪些因素或特征影响了预测结果。比如预测保险客户是否会解约（customer churn），我们不仅要知道谁会解约，我们还想知道他为啥解约。最常用的方式，便是查看特征量的重要度。

（*这里的特征量指用来预测结果的要因feature/predictor/independent variable，比如用客户这周的搜索关键词预测下周会不会买游戏机，搜索关键词就是特征量，下周会不会买游戏机就是预测结果）

特征量重要度的计算一般取决于用什么算法，如果是以决定树为基础（tree-based）的集成算法，比如随机森林，lightGBM之类的，一般都是取impurity（gini）平均下降幅度最大的一些特征，python的 Scikit-learn里面就有命令可以计算。

像这样：

from sklearn.ensemble import RandomForestClassifier

rf = RandomForestClassifier(
         n_estimators=100,
         n_jobs=-1,
         min_samples_leaf = 5,
         oob_score=True,
         random_state = 42)
rf.fit(X_train, y_train)

feat_importances = pd.Series(rf.feature_importances_, index = X_train.columns).sort_values(ascending = True)

结果例：

但这个特征量重要度一定靠谱么？

1. 如果模型精度不好，或者泛化性不好（overfit），那特征量重要度不能轻信。
模型精度不好，当然有很多原因，有可能学习不够，数据不够。也有可能是现有的特征量无法很好的预测结果，有更重要的特征量缺失了。这时候看特征量的重要度就好像是矬子里拔大个儿，没啥太大意思。

泛化性不好，一般是模型过度学习了训练数据的一些噪音，把噪音当规律了，这时候一些本来无关紧要的噪音特征量也会登上重要度榜首，所以这时单纯相信特征量就很容易跑偏，错过重要的特征。

另外，这个用impurity计算的重要度会有bias，会倾向于把重要度给数字型特征(numerical)，而忽视类别特征(categorical or binary) 论文：https://bmcbioinformatics.biomedcentral.com/articles/10.1186/1471-2105-8-25

那咋办呢？
当然最有用的是把你的模型调教好，不要有泛化性不好等问题，那就可以相信特征量重要度的结果了。

但对于impurity计算的重要度的bias，还有一个其他的方法，可以计算更靠谱的特征量。

单纯的想一下，我想知道一个特征是不是重要特征，只要把它删掉之后重新训练模型，看精度有没有下降，下降多少，就能知道它有多重要

这完全可以自己写python代码来实现，但SikitLearn提供了一个类似的算法：permutation_importance。区别是，permutation_importance不会删掉特征，而是重新排列（shuffule）这个列的值之后再训练模型，效果上应该差不太多。历遍所有特征量，你就得到了一份更加靠谱的重要度。

计算permutation_importance

from sklearn.inspection import permutation_importance
#calculate permutation importance for test data 
result_test = permutation_importance(
    rf, X_test, y_test, n_repeats=20, random_state=42, n_jobs=2
)

sorted_importances_idx_test = result_test.importances_mean.argsort()
importances_test = pd.DataFrame(
    result_test.importances[sorted_importances_idx_test].T,
    columns=X.columns[sorted_importances_idx_test],
)

算完是这样

也许有人会问，那这种情况就不会因为overfit而导致特征量重要度不靠谱了么？
我个人的理解是，因为这个结果不是某一个模型的结果，而是训练了和特征量相同数量模型的结果，而且比较了有噪音数据和无噪音数据的情况，一定程度上排除了overfit的影响。

2. 如果模型里存在2个以上有线性关系(co-linear)的特征量，需要注意！

在线性回归linear regression里，我们会强调，不能有两个特征量有线性关系，需要删掉一个。
但在一个tree base的ensemble模型，貌似没这个要求，我们一般会把所有有关系的特征量全部丢进去，然后再通过特征量重要度选择最终模型需要的特征。

那是不是tree-base模型不用考虑共线问题了？（共线co-linear指有2个或以上特征量有线性关系）
曾经我也这样认为，但其实在理解特征量重要度的时候是需要考虑的共线问题的，因为重要度会被有线性关系的几个特征量瓜分，它们可能一人分一些重要度，那么在重要度榜单上可能就排后面了。你可能以为它们没那么重要，但事实并不如此。

那咋办呢
建议合并这些有线性关系的特征量，或者如果其中一个特征量可以完全被其他代表dependency=1，也可以删掉这个特征量。

以下是如何确认线性关系：

from rfpimp import plot_corr_heatmap
viz = plot_corr_heatmap(X_train, figsize=(7,5))
viz.view()

以下是如何确认特征之间的dependency：

dependence_matrix = feature_dependence_matrix(X_train,
                          rfrmodel=RandomForestRegressor(n_estimators=50, oob_score=True),
                          rfcmodel=RandomForestClassifier(n_estimators=50, oob_score=True),
                          cat_count=20,
                          zero=0.001,
                          sort_by_dependence=False,
                          n_samples=5000)

dependence_matrix
plot_dependence_heatmap(dependence_matrix)

总之关于特征量重要度，不是算出来就完事了。要保持清醒和谨慎，才能得到真理~
就写到这里~ 欢迎围观讨论指导~

参考链接：
https://towardsdatascience.com/best-practice-to-calculate-and-interpret-model-feature-importance-14f0e11ee660