2026年特征重要性分析技术考题(含答案解析).docxVIP

2026年特征重要性分析技术考题(含答案解析)

一、单项选择题（每题2分，共20分）

1.在基于树模型的特征重要性评估中，以下哪种指标直接利用节点分裂时带来的不纯度下降累积值？

A.PermutationImportance

B.GiniImportance

C.SHAP值

D.互信息

答案：B

解析：GiniImportance（又称MeanDecreaseinImpurity）通过累加每棵树分裂节点时Gini指数的下降量衡量特征对模型预测能力的贡献。

2.若某特征在训练集上的SHAP值分布呈现“大部分样本集中于0附近，仅极少数样本出现极端正值”，则下列说法最准确的是：

A.该特征对模型整体预测结果影响微弱

B.该特征对少数样本具有强解释力

C.该特征与目标变量呈线性关系

D.该特征存在严重数据泄露

答案：B

解析：SHAP值分布极端值稀少说明该特征只在少数场景下显著影响模型输出，符合“局部强解释”特征。

3.当使用PermutationImportance时，若某特征在验证集上重要性得分为负，最合理的解释是：

A.该特征与目标变量高度相关

B.该特征引入噪声导致模型性能下降

C.该特征取值随机且与目标无关

D.该特征存在多重共线性

答案：B

解析：负值表示打乱该特征后模型表现反而提升，说明原特征对预测有害，通常源于噪声或错误编码。

4