案例来源：@将门创投
1. 目标：使用xgb评估客户的信贷风险时，还希望得出揭示
2. xgb全局特征重要性度量
1）weight：根据特征用于划分的次数
2）cover：根据特征用于划分的次数和每次划分的样本数加权计算得来
3）gain：特征用于划分时所带来的训练损失减益的平均值
3. 评价特征度量的原因
1）一致性：如果我们队模型进行修改，使其更依赖于某个特征A的话，那么特征A的特征重要性不应当降低
2）准确性：所有特征重要性的和要等于模型的总重要性。例如，如果重要性是由R²值计算得到的，那么各个特征的R²值相加应等于模型的R²值
4. 局部特征归因方法（对每个客户的预测提供解释）
1）Tree SHAP
2）Saabas
3）mean Tree SHAP
4）Gain：特征用于划分时所带来的训练损失减益的平均值
5）Split Count：特征用户划分的次数
6）Permutation：当随机扰动某个特征时，模型在测试集上准确率的下降（可以是OOB数据，参林轩田《机器学习技法》课）
5. 测试结论：
1）均不一致
2）Gain和Permutation是不准确的
3）通常来说离根越近的节点分裂越重要，但是gain方法中低层叶节点分裂的贡献更大
4）mean Tree SHAP效果好（还没找到文献...不知道怎么用...大家有了解的麻烦告知下...树模型的可解释性可以帮助更好地理解模型，反过来构建特征）