變數重要性
變數重要性 (也稱為「特徵重要性」) 是一個分數，用於表示特徵對模型的「重要」程度。舉例來說，如果指定模型具有「f1」和「f2」兩個輸入特徵，則變數重要性為 {f1=5.8, f2=2.5}，那麼「f1」特徵比特徵「f2」更重要。與其他機器學習模型一樣，「變數重要性」是瞭解決策樹運作方式的簡單方式。
您可以將模型通用的變數重要性 (例如「異動變數重要性」) 套用至決策樹狀圖。
決策樹狀圖也有特定的變數重要性，例如：
- 指定變數的分割分數總和。
- 具有指定變數的節點數量。
- 地圖項目首次發生在所有樹狀結構路徑中的平均深度。
變數重要性可能因品質而異，例如：
- 語意
- 的保護
- 資源
此外，變數重要性提供了以下不同類型的資訊：
- 模型
- 資料集
- 透過訓練程序學習
例如，包含特定特徵的條件數量代表決策樹查看這項特定特徵的程度，其中可能代表這項變數的重要性。畢竟，如果某項特徵不重要，學習演算法就不會在多個條件中使用該功能。不過，出現在多個條件中的相同特徵可能也指出模型正在嘗試，但無法將特徵的模式一般化。舉例來說，如果地圖項目只是範例 ID，但沒有可一般化的資訊，就可能發生這種情況。
另一方面，如果值高的排列變數重要性偏高，表示移除特徵會對模型造成負面影響，這是表示變數重要性的指標。然而，如果模型完善，移除任何一項特徵或許不會影響模型。
由於不同的變數重要性會影響模型的不同層面，因此同時查看幾個變數重要性十分有用。舉例來說，如果根據所有變數重要性，特徵至關重要，這項功能可能就很重要。再舉一個例子，如果特徵的「節點數量」變數重要性很高，但重要性微不足道，那麼這個特徵可能就難以一般化，且可能影響模型品質。