接下来一段时间内，会主要介绍下模型可解释性方向的一些常用方法。
模型可解释性：主要用来解释为什么这个样本的特征是这样的时候，模型结果是那样。面向老板汇报工作(尤其是不懂算法的老板)和业务方。

常用的树模型

xgboost、lightgbm这两个模型经常被使用，具体原理不讲了，可以巴拉一下之前的博客，为了面试曾经很认真的推导整理过资料，已经放在博客上，与有缘人共享。

主要使用内容：

一：特征重要度

训练好模型后：添加代码：print(model.feature_importances_)。会打印出特征重要度。

形如下图：

为了方便对比，大家可以对特征重要度排序，标注特征名。

二：树结构

形如下图：

以上两种方式，比较形象的给老板解释了为啥某个特征值改变，会对模型的预测结果产生那么大的影响。大概是因为这个特征位于头部，轻而易举的影响到了最终模型的预测结果。

下一篇，会介绍另一个方法，旨在说明：某一个特征值的变大变小，对模型的影响是正向还是负向。敬请期待~

一个比较好的xgb特征重要度和特征选择的blog：XGBoost学习（六）：输出特征重要性以及筛选特征_xgboost的特征重要性-CSDN博客