对于线性模型，您可以为每个模型参数使用 t 统计量的绝对值。

此外，您可以使用随机福雷斯特之类的东西，并获得一个非常好的特征重要性列表。

如果您使用 R 签出 ( http://caret.r-forge.r-project.org/varimp.html )，如果您使用 python 签出 ( http://scikit-learn.org/stable/auto_examples /ensemble/plot_forest_importances.html#example-ensemble-plot-forest-importances-py )

编辑：

由于 logit 没有直接的方法来做到这一点，您可以为每个预测变量使用 ROC 曲线。

对于分类，对每个预测变量进行 ROC 曲线分析。对于两类问题，对预测数据应用一系列截止值以预测类别。计算每个截止值的敏感性和特异性，并计算 ROC 曲线。梯形法则用于计算 ROC 曲线下的面积。该区域用作变量重要性的度量

在 R 中如何工作的一个例子是：

library(caret)
mydata <- data.frame(y = c(1,0,0,0,1,1),
                 x1 = c(1,1,0,1,0,0),
                 x2 = c(1,1,1,0,0,1),
                 x3 = c(1,0,1,1,0,0))

fit <- glm(y~x1+x2+x3,data=mydata,family=binomial())
summary(fit)

varImp(fit, scale = FALSE)

由于您特别要求对概率尺度进行解释：在逻辑回归中，估计的成功概率由下式给出

$\hat{\pi}(\mathbf{x})=\frac{exp(\beta_0+ \mathbf{\beta x})}{1+exp(\beta_0+ \mathbf{\beta x})}$

和$\beta_0$拦截，$\mathbf{\beta}$系数向量和$\mathbf{x}$你的观察值。因此，如果您的系数是 0.1、0.2 和 0.3，并且假设没有截距（很可能是不正确的，但为了方便起见），则仅点击广告 1 的人的购买概率为：

$\frac{exp(0.1)}{1+exp(0.1)}=0.52$

仅点击广告 3 的人：

$\frac{exp(0.3)}{1+exp(0.3)}=0.57$

但是，如果该人点击了广告 1 或广告 3，还点击了广告 2（如果这是一个合理的场景），则概率变为

$\frac{exp(0.1+0.2)}{1+exp(0.1+0.2)}=0.57$

$\frac{exp(0.3+0.2)}{1+exp(0.3+0.2)}=0.62$

在这种情况下，概率的变化都是 0.05，但通常这种变化对于不同的水平组合是不一样的。（例如，如果您使用与上述相同的方法，但系数为 0.1、1.5、0.3，您可以很容易地看到这一点。）因此，一个变量在概率尺度上的重要性取决于其他变量的观察水平。这可能使得很难（不可能？）在概率尺度上提出一个绝对的、定量的变量重要性度量。