你的特征很重要吗？这并不意味着它们就是好的

“特征重要性”还不够。如果你想知道哪些特征对你的模型有益，你还需要看“误差贡献”。

“特征重要性”的概念被广泛应用于机器学习中，是模型可解释性的最基本类型。例如，在递归特征消除（RFE）中，它被用于迭代地删除模型中最不重要的特征。

然而，这存在一个误解。

一个特征重要并不意味着它对模型有益！

事实上，当我们说一个特征很重要时，这只是意味着该特征对模型的预测有很高的贡献。但是我们应该考虑到这种贡献可能是错误的。

举个简单的例子：一个数据科学家在模型的特征中意外地遗漏了客户ID。该模型将客户ID作为一个高度预测性的特征。因此，即使客户ID实际上会损害模型的性能，这个特征仍然会有很高的重要性，因为它在未知数据上无法很好地工作。

为了更清楚地说明问题，我们需要区分两个概念：

在本文中，我们将看到如何计算这些量，并如何利用它们来获取对预测模型的有价值的见解（以及改进它）。

假设我们建立了一个模型，根据人们的职业、年龄和国籍来预测他们的收入。现在我们使用该模型对三个人进行预测。

因此，我们有真实值、模型预测和相应的误差：