我有一个数据集，我专注于二进制分类问题。总的来说，我的数据集中有大约 60 个特征

当我使用 Xgboost 时Feature Importance，我能够看到前 5 个功能占42%了 50 个功能的其余部分占40-49%（每个功能约 1%），其余 8-10 个功能具有zero importance或小于 1% 的重要性。

Xgboost这是网格搜索后我最好的参数列表

op_params = {'alpha': [10],
 'as_pandas': [True],
 'colsample_bytree': [0.5],
 'early_stopping_rounds': [100],
 'learning_rate': [0.04],
 'max_depth': [6],
 'metrics': ['auc'],
 'num_boost_round': [10000],
 'objective': ['reg:logistic'],
 'scale_pos_weight': [3.08],
 'seed': [123],
 'subsample': [0.75]}

由于我有许多低重要性特征，我应该尝试在我的模型中使用它们来增加模型指标吗？

当我只使用前 5 个特征构建模型时，我能够获得 80% 的准确率。

我想了解利用这些低重要性特征进行预测是否有用？

下面显示的是我的特征重要性降序排列

他们真的有帮助吗？

任何见解都会很有帮助