### 如何生成并展示机器学习模型的特征重要性柱状图 为了生成并展示机器学习模型的特征重要性柱状图，通常采用基于树模型的方法。这些方法能够量化各个输入特征对模型预测的影响程度。 #### 使用 SHAP 方法绘制特征重要性图表 SHAP (SHapley Additive exPlanations) 是一种用于解释个体预测结果的技术，它不仅提供了全局视角下的特征重要性评估，还支持局部解释。通过构建 SHAP 值，可以衡量每一个特征对于特定样本预测值的具体影响大小[^1]。 ```python import shap import matplotlib.pyplot as plt # 训练好的模型对象 model 已经准备好 explainer = shap.TreeExplainer(model) shap_values = explainer.shap_values(X) # 绘制 SHAP 特征重要性条形图 shap.summary_plot(shap_values, X, plot_type="bar", show=False) plt.title('Feature Importance using SHAP') plt.show() ``` 这段代码展示了如何使用 `shap` 库来创建一个特征重要性的条形图表示形式。这里调用了 `summary_plot()` 函数，并指定了参数 `plot_type='bar'` 来获得所需的可视化效果。 #### 利用 sklearn 的 feature_importances_ 除了 SHAP 外，在 scikit-learn 中训练完成后的某些类型的模型可以直接访问其属性 `feature_importances_` 获取到各特征的重要性得分。此分数反映了当某个特征被用来做分割时所带来的纯度增益总和，进而体现该特征在整个森林结构里的影响力[^3]。 ```python from sklearn.datasets import load_boston from sklearn.ensemble import RandomForestRegressor import numpy as np import matplotlib.pyplot as plt boston = load_boston() model = RandomForestRegressor(n_estimators=100).fit(boston.data, boston.target) importances = model.feature_importances_ indices = np.argsort(importances)[::-1] # Plotting the bar chart of feature importance scores plt.figure(figsize=(8, 6)) plt.bar(range(len(indices)), importances[indices], align='center', color='blue') plt.xticks(range(len(indices)), [list(boston.feature_names)[i] for i in indices]) plt.xlim([-1, len(indices)]) plt.xlabel('Features') plt.ylabel('Importance Score') plt.title('Feature Importances from Random Forest Regressor') plt.tight_layout() plt.show() ``` 上述脚本实现了随机森林回归器中特征重要性的提取与绘图过程。首先加载数据集并通过 `RandomForestRegressor` 进行拟合；接着读取 `feature_importances_` 属性得到每个特征对应的权重值；最后按照降序排列并将它们以水平条形的形式展现出来。