catboost特征重要性feature importance计算逻辑深度揭秘（全网最全，硬核收藏）

InternalInteraction内在交互

模型中使用的每对特征的特征交互强度的值。在内部，模型使用特征组合作为单独的特征。模型中使用的所有特征组合都单独列出。例如，如果模型包含名为F1的特征和特征的组合{F2，F3}，则F1和特征组合{F2、F3}之间的交互将列在输出文件中。

下图是官方释义

catboost有着复杂且智能的变量重要性计算方法，那我们到底该用哪一种合适呢？

为了更好地理解这些差异，下面是我们讨论的所有方法的结果:
 

CatBoost功能IMP.的结果预测-报告来自经典“成人”人口普查数据集，人们是否会有超过5万美元的收入（使用日志丢失）。

从上面的图中，我们可以看到，大多数方法在顶级特性上是一致的。看起来lossFunctionChange最接近shap（更可靠）。然而，直接比较这些方法是不公平的，因为预测值变化是基于训练数据，而其他所有方法都是基于试验数据。

我们还应该看到运行所有这些程序所需的时间：shap最慢，PredictionValuesChange最快

参考链接

https://catboost.ai/en/docs/concepts/fstr#regular-feature-importance；

https://catboost.ai/en/docs/concepts/ostr；

更多关于catboost算法建模知识的同学可以收藏课程《python风控建模实战lendingClub》。

我们公司提供一对一机器学习模型定制服务，提供公司正规发票，如果你需要建模项目定制服务，留言联系。

本文链接：https://www.kjpai.cn/news/2024-05-04/164607.html，文章来源：网络cs，作者：付梓，版权归作者所有，如需转载请注明来源和作者，否则将追究法律责任！