11、机器学习模型评估与特征重要性分析

机器学习模型评估与特征重要性分析

在机器学习领域，模型的评估和特征分析是至关重要的环节。下面我们将结合具体案例，深入探讨模型评估指标、特征重要性的衡量方法以及相关的技术挑战。

模型评估的意外结果

在一个预测可预防延误的任务中，我们训练了一系列模型。代码如下：

(metrics.accuracy_score(y_test_class.iloc[sample_idx], sr_y_test_pred),
metrics.recall_score(y_test_class.iloc[sample_idx], sr_y_test_pred),
metrics.roc_auc_score(y_test_class.iloc[sample_idx], sr_y_test_prob),
metrics.f1_score(y_test_class.iloc[sample_idx], sr_y_test_pred),
metrics.matthews_corrcoef(y_test_class.iloc[sample_idx], sr_y_test_pred))

上述代码得出的指标如下：
| 指标 | 值 |
| ---- | ---- |
| 准确率（accuracy） | 0.969 |
| 召回率（recall） | 0.981 |
| ROC AUC | 0.989 |
| F1 分数（f1） | 0.789 |
| 马修斯相关系数（mcc） | 0.787 |

从这些指标来看，模型似乎表现出色。然而，