R语言构建xgboost模型：特征重要度计算及解读改善特征重要度数据的可解释性特征重要度可视化
Posted Data+Science+Insight
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了R语言构建xgboost模型：特征重要度计算及解读改善特征重要度数据的可解释性特征重要度可视化相关的知识，希望对你有一定的参考价值。
R语言构建xgboost模型：特征重要度计算及解读、改善特征重要度数据的可解释性、特征重要度可视化
目录
以上是关于R语言构建xgboost模型：特征重要度计算及解读改善特征重要度数据的可解释性特征重要度可视化的主要内容，如果未能解决你的问题，请参考以下文章
Python计算树模型（随机森林xgboost等）的特征重要度及其波动程度：基于熵减的特征重要度计算及可视化基于特征排列的特征重要性（feature permutation）计算及可视化
R语言构建catboost模型：构建catboost模型并基于网格搜索获取最优模型参数（Select hyperparameters）计算特征重要度
R语言使用caret包的train函数构建多元自适应回归样条(MARS)模型MARS算法支持计算变量（特征）重要度，使用varImp函数提取变量（特征）重要性并可视化
R语言使用randomForest包构建随机森林模型（Random forests）使用importance函数查看特征重要度使用table函数计算混淆矩阵评估分类模型性能包外错误估计OOB
R语言随机森林模型：计算随机森林模型的特征重要度（feature importance）并可视化特征重要度使用少数重要特征拟合随机森林模型（比较所有特征模型和重要特征模型在测试集上的表现差异）
R语言caret包构建机器学习回归模型（regression model）使用DALEX包进行模型解释分析特征重要度偏依赖分析等