我有一个使用样本数据集训练的简单 RF 分类器模型，它运行良好。
所以，我使用一些测试数据来预测目标类，假设它找到目标类为1 或0（为简单起见，将其视为二进制分类）
假设我们需要查看测试功能对预测值（0 或1）的影响。看下面的例子：
input features - [a,b,c]
predicted value - 1
input features - [a,d,c]
predicted value - 10
让我们以第一个场景为例，其中输入（测试功能）特征是 a、b 和 c，这将产生 1
所以现在我想检查一下这些功能（a、b、c），哪些功能对预测值的影响最大1
我该怎么做？
PS：我知道如何检查训练数据集的特征重要性，但在这种情况下，它不是训练数据集，而是测试数据集，目标类仅在预测后获得。
【问题讨论】：
标签： python machine-learning random-forest
我用来解释 RF 分类器预测的一个包是 Treeinterpreter。它计算单个特征对单个预测的贡献：“用于解释 scikit-learn 的决策树和随机森林预测的包。允许将每个预测分解为偏差和特征贡献分量......”https://pypi.org/project/treeinterpreter/
这个博客here解释了它是如何工作的，这个here展示了如何使用它的例子。但基本上一旦你有了你的射频模型：
from treeinterpreter import treeinterpreter as ti
prediction, bias, contributions = ti.predict(model, data)
Model 是 RF 模型，data 是测试数据（您为其生成预测的数据集）
【讨论】：
model 是我的射频型号，data 参数是什么？
from treeinterpreter import treeinterpreter as ti ..prediction, bias, contributions = ti.predict(model, data) 模型是你的射频模型，数据是你的测试数据（你生成预测的数据集）