前几篇介绍了使用方差阈值，相关性分析以及统计检验等方式来过滤特征，这些方法都有一个共同点，就是由人来决定如何打分。

今天介绍一种让模型自己给特征“打分”的方式，也就是让模型自己判断哪些特征重要，哪些特征是无关紧要的。

与其我自己猜，不如让模型告诉我。

核心思路

这种特征选择方式的核心思想总结起来就一句话： 三个臭皮匠，顶个诸葛亮。

也就是用多个模型分别给特征打分，然后综合排名，选出最重要的特征。

模型是怎么给特征"打分"的？

不同类型的模型，给特征打分的方式完全不同。我觉得这个特别有意思，就像不同的老师批改作文，评分标准都不一样。

下面有 3 种利用模型给特征打分的方式。

对于树模型：

比如，随机森林、梯度提升树这些树模型，在训练过程中会自然地统计一件事：每个特征在分裂节点的时候，帮模型减少了多少"不确定性"（不纯度）。

减少得越多，说明这个特征越重要。

from sklearn.ensemble import RandomForestClassifier

model = RandomForestClassifier(n_estimators=100, random_state=42)
model.fit(X_train, y_train)

# 每个特征的重要性分数，加起来等于 1
importances = model.feature_importances_

这个方法的优点是快——训练完模型顺手就拿到了，不需要额外计算。而且它能捕捉非线性关系，比单纯看相关性靠谱多了。

但它有个坑：它偏爱"类别多"的特征。比如一个特征有 100 个不同的取值，它就更容易被选为分裂点，得分虚高。这一点我后来才知道，被坑过。

对于线性模型：

比如带 L1 正则化的逻辑回归或者 Lasso 回归，思路更直接——系数的绝对值越大，特征越重要。

但这里有个关键前提：你得先把特征标准化。

from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression

scaler = StandardScaler()
X_scaled = scaler.fit_transform(X_train)

model = LogisticRegression(penalty='l1', solver='liblinear', C=1.0)
model.fit(X_scaled, y_train)

# 取系数的绝对值
importances = np.abs(model.coef_).flatten()

为什么一定要标准化？因为如果一个特征的单位是"元"（取值范围几万到几十万），另一个是"百分比"（取值范围 0~1），那它们的系数根本没法直接比。

标准化之后大家都在同一个尺度上，才公平。

L1 正则化还有个好处：它会自动把不重要特征的系数压到 0。

所以我有时候把 Lasso 当成一个"自动特征筛选器"来用。

此外，还可以通过置换重要性，看删掉某个特征，模型会不会变差。

这个方法我觉得最"暴力"，但也最直觉：

先把模型训练好
然后把某一个特征的列值随机打乱
看模型的性能（比如准确率）下降了多少

下降越多 → 这个特征越重要。

from sklearn.inspection import permutation_importance

result = permutation_importance(
    model, X_test, y_test, 
    n_repeats=10, 
    random_state=42
)
# 每个特征的平均重要性
importances = result.importances_mean

它的优点是什么模型都能用，不限于树模型或线性模型。

缺点就是慢——每个特征都要打乱多次、推理多次，特征多的时候要等好一会儿。

为什么要让多个模型"投票"？

上面三种方法各有所长，也各有盲区。这就出现了一个问题：

如果只用一个模型来评分，万一这个模型恰好对某些特征有偏见怎么办？

比如树模型偏好高基数特征，线性模型只能捕捉线性关系。如果我的数据恰好同时有这两种情况，单一模型的评分结果就不可靠了。

这就像招聘面试只让一个面试官拍板——他可能有自己的偏好。

多个面试官一起打分，取平均，结果通常更客观。所以，能不能让好几种模型都来打分，然后取个平均值？

当然可以，这就是这篇文章介绍的过滤特征的原理。

代码设计

整体流程很简单（3 步走）：

数据输入 → 多模型打分 → 融合排名 → 选出Top特征

代码中核心的 class 就是EnsembleFeatureSelector。其核心功能设计如下：

初始化参数

top_k=10              # 我要前10个最重要的特征
min_score=0.5         # 或者：得分≥0.5的特征都要
enable_permutation=False  # 是否用"置换法"评估（更准但更慢）
model_weights=None    # 给不同模型分配权重（比如随机森林权重高一点）

构建模型池

根据任务类型（分类/回归）自动选择不同的模型组合：

任务类型	模型池
分类	随机森林 + 梯度提升树 + L1逻辑回归
回归	随机森林 + 梯度提升树 + Lasso回归

为什么选这3个？

树模型（随机森林、梯度提升树）：能自动捕捉非线性关系，抗过拟合
线性模型（L1正则）：简单高效，L1正则会自动把无用特征系数压到0

三种打分方式

方式A：树模型内置重要性

原理：树在分裂节点时，会计算每个特征让"不纯度"减少了多少
      减少越多 → 该特征越重要
比喻：就像分班考试，哪个科目最能区分学生水平，哪个科目就最重要

方式B：线性模型系数法

原理：先标准化数据（消除量纲差异），然后看模型系数的绝对值
      系数越大 → 该特征对结果影响越大
比喻：就像投票，谁的"声音"（系数）最大，谁就越重要

方式C：置换重要性

原理：把某个特征的列随机打乱，看模型准确率下降多少
      下降越多 → 该特征越重要
比喻：就像考试时把某道题的答案随机填，如果总分下降很多，说明这道题很关键

融合评分

# 假设3个模型给出的分数：
特征A: [0.8, 0.6, 0.7]  → 集成均值 = 0.7
特征B: [0.3, 0.4, 0.2]  → 集成均值 = 0.3

# 然后归一化到 [0, 1]，排名

加权平均（如果指定了 model_weights）：

# 比如你觉得随机森林更靠谱，给它权重2，其他给1
{"随机森林": 2, "梯度提升树": 1, "L1逻辑回归": 1}

筛选特征

三种策略，优先级从高到低：

策略	说明	示例
`top_k`	精确选前K个	`top_k=10` → 选排名前10的特征
`min_score`	选归一化得分≥阈值的	`min_score=0.5` → 选得分≥0.5的
默认	选高于平均水平的	自动计算均值，选超过均值的

代码实现

完整的代码和模拟数据的测试用例（信用卡违约预测）共享在：

https://url11.ctfile.com/d/45455611-166997307-d6d609?p=6872 (访问密码: 6872)

相关文件是：model_based_selector.py 和 test_model_based_selector.py。

感兴趣的朋友欢迎下载了自己运行试试看，运行过程中有什么问题也欢迎交流。

模拟数据的测试结果：

======================================================================
  信用卡违约预测 —— 特征选择效果对比实验
======================================================================

数据集信息：
  样本总数：5000
  特征总数：30（5 个有效特征 + 25 个噪声特征）
  违约比例：5.6%
  训练集大小：3500，测试集大小：1500

──────────────────────────────────────────────────────────────────────
  方案 A：使用全部 30 个特征
──────────────────────────────────────────────────────────────────────
  准确率：0.9447
  AUC：  0.6920

──────────────────────────────────────────────────────────────────────
  方案 B：使用 EnsembleFeatureSelector 筛选特征
──────────────────────────────────────────────────────────────────────
  特征重要性排名报告（Top 15）：

  被选中的特征：['月收入', '负债收入比', '信用评分', '信用卡额度使用率', '历史逾期次数', '月消费金额_交通', '基金持有
金额', '客服咨询次数']

  筛选后特征数：8
  准确率：0.9447
  AUC：  0.7298

──────────────────────────────────────────────────────────────────────
  方案 C：使用 EnsembleFeatureSelector 激进筛选（top_k=5）
──────────────────────────────────────────────────────────────────────
  特征重要性排名报告（Top 5）：
  
  被选中的特征：['月收入', '负债收入比', '信用评分', '信用卡额度使用率', '历史逾期次数']

  筛选后特征数：5
  准确率：0.9433
  AUC：  0.7483

======================================================================
  汇总对比
======================================================================
  方案                             特征数        准确率          AUC
  ──────────────────────────────────────────────────────────────
  A: 全部特征                      30         0.9447       0.6920
  B: 筛选后（top 8）                8          0.9447       0.7298
  C: 筛选后（top 5）                5          0.9433       0.7483
======================================================================

注意事项

归一化这事儿不能偷懒

如果忘了做归一化，直接把三个模型的原始分数取平均。

那么有可能线性模型的系数特别大（因为某个特征的量纲特别大），直接把树模型的评分"淹没"了。

最终选出来的特征，几乎完全取决于线性模型的结果，集成毫无意义。

不同来源的分数，一定要先统一量纲再融合。

训练集和测试集的重要性可能不一样

置换重要性最好在测试集上算，而不是训练集。

因为在训练集上算，模型可能过拟合了，给出的重要性分数不能反映真实情况。

# 推荐做法：在测试集上评估
result = permutation_importance(model, X_test, y_test, n_repeats=10)

特征选择也是一种"学习"，要警惕过拟合。

总结

基于模型的特征排序，本质上是在回答一个问题：在这个数据上，哪些特征对预测目标最有帮助？

如果时间允许，我倾向于用多模型集成（也就是上面提到的 3 种打分方式混合一起使用）的方式。

毕竟多训练几个模型也就多花几分钟，但结果会靠谱很多。

选特征和选队友其实差不多——让多几个人一起看，总比一个人拍板要强。

基于模型的重要性评分进行“特征排序”