变量重要性
变量重要性（也称为特征重要性）是一个分数，表示特征对模型的“重要性”。例如，如果给定模型具有两个输入特征“f1”和“f2”，变量重要性为 {f1=5.8, f2=2.5}，则特征“f1”对模型来说比特征“f2”更“重要”。与其他机器学习模型一样，变量重要性是了解决策树工作原理的一种简单方式。
您可以将模型不限定变量的重要性（例如排列变量重要性）应用于决策树。
决策树还具有特定变量的重要性，例如：
- 给定变量的拆分分数总和。
- 包含给定变量的节点数量。
- 某个地图项在所有树形路径中首次出现的平均深度。
变量的重要性可能因特质而异，例如：
- 语义
- 和 WAF
- 媒体资源
此外，变量重要性提供了关于以下方面的不同类型信息：
- 模型
- 数据集
- 训练过程，
例如，包含特定特征的条件数量表示决策树正在查看此特定特征的程度，这可能表示变量的重要性。毕竟，如果某个特征不重要，学习算法就不会在多个条件下使用它。但是，同一特征出现在多个条件中也可能表示模型正在尝试，但无法泛化特征的模式。例如，如果特征只是一个示例标识符，没有要泛化的信息，就会发生这种情况。
另一方面，排列变量重要性的高值表示移除特征会破坏模型，而这又表示可变重要性。但是，如果模型非常可靠，移除任何一个特征可能不会损害模型。
由于不同的变量重要性会影响模型的不同方面，因此同时查看多个变量重要性具有参考价值。例如，如果某个特征在所有变量重要性方面都很重要，则该特征可能很重要。再举一个例子，如果某个特征的“节点数”可变重要性较高，“排列”变量重要性较低，则此特征可能难以泛化，并且可能会影响模型质量。