当试图解释梯度提升（或任何决策树）的结果时，可以绘制特征重要性。
xgb api中有相同的参数，例如：weight、gain、cover、total_gain 和 total_cover。我还没有完全得到掩护。
“cover”是分割的平均覆盖率，它使用覆盖率定义为受分割影响的样本数
我正在寻找一个更好的封面定义，也许还有一些伪代码来更好地理解它。
可解释的 xgboost - 计算覆盖特征的重要性
数据挖掘
机器学习
Python
决策树
xgboost
可解释的ai
2022-03-04 10:25:03
1个回答
更详细的cover解释可以在代码中找到
cover：分类到叶子的训练数据的二阶梯度之和，如果是平方损失，这简单地对应于该分支中的实例数。节点在树中越深，该指标越低
你可以在这里找到：代码中的覆盖定义
这基本上意味着对于每个分割，都会计算指定损失的二阶梯度（每个样本）。然后这个数字按样本数缩放。