标准回答
模型内建重要性
树模型（随机森林、XGBoost）可直接给出特征重要性，依据每个特征带来的 Gini 不纯度下降或分裂增益累加。优点是几乎零额外成本，缺点是对高基数 / 连续特征有系统性偏置，容易高估它们。
置换重要性（Permutation Importance）
在验证集上随机打乱某个特征的取值，观察模型性能掉多少；掉得越多越重要。它与模型无关、更可靠，但每个特征都要重算一遍预测，计算开销大，且在特征强相关时也会失真。
SHAP
基于博弈论的 Shapley 值，把预测公平地分摊到各特征上，满足一致性与可加性，既能做单样本的局部解释，也能聚合成全局重要性，是目前较权威的方法，代价是计算较重。
线性系数与注意事项
线性 / 逻辑回归可看系数大小，但必须先标准化特征才可比。共同的坑：相关特征会互相稀释重要性、重要不等于因果，最终需结合领域知识判断。
常见误区
⚠️ 常见踩坑
直接用树模型内建重要性下结论——它对高基数特征有偏，且相关特征会互相稀释；重要性也不等于因果关系。
追问
追问 1：特征之间高度相关时重要性会怎样？
相关特征会瓜分彼此的重要性：模型可能只挑其中一个去分裂，另一个看起来「不重要」，或两者都被低估。置换单个特征时另一相关特征还能补偿，导致重要性被低估。应先做相关性分析、分组评估或用考虑相关性的方法（如 grouped permutation）。
追问 2：SHAP 和置换重要性该选哪个？
要快速、全局排序且能接受偏置，用置换重要性；要严谨、可加、能解释单条预测（如金融风控对个体给出归因），用 SHAP。两者可交叉验证：结论一致则更可信。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。
📖 术语表
🛠️ AI 工具
- SHAP
基于博弈论的机器学习模型解释工具，使用 Shapley 值为任意模型输出提供一致且可解释的特征重要性归因，适用于各种 ML 框架。