График feature_importances_ может убедительно показать, что случайный шум важнее реального бизнес‑фактора, а коррелированные признаки — оказаться бесполезными по отдельности, хотя вместе они определяют качество модели. Разберём на синтетических данных, почему MDI, Permutation Importance и SHAP дают искажённую картину, как выявлять шумовые признаки и учитывать корреляции, чтобы не принимать решения об отборе признаков на основании обманчивого графика. Разобраться в теме
Continue to Habr →You are being forwarded in 6s — stay on this page