根据您的问题，我假设您正在使用 xgboost 来拟合增强树以进行二元分类。重要性矩阵实际上是一个 data.table 对象，第一列列出了提升树中实际使用的所有特征的名称。

重要性数据表的含义如下：

1. 增益意味着相应特征对模型的相对贡献，通过获取模型中每棵树的每个特征的贡献来计算。与另一个特征相比，该指标的值越高意味着它对于生成预测更重要。
2. Cover度量是指与该特征相关的观察的相对数量。例如，如果您有 100 个观测值，4 个特征和 3 棵树，假设在 tree1、tree2 和 tree3 中分别使用 feature1 来决定 10、5 和 2 个观测值的叶子节点；那么该指标将将此特征的覆盖率计为 10+5+2 = 17 个观察值。这将针对所有 4 个功能进行计算，并且覆盖率将 17 表示为所有功能的覆盖率指标的百分比。
3. 频率(/'Frequence') 是表示特定特征在模型树中出现的相对次数的百分比。在上面的例子中，如果feature1出现2次分裂，则tree1、tree2和tree3各有1次分裂和3次分裂；那么特征 1 的权重将为 2+1+3 = 6。特征 1 的频率计算为其占所有特征权重的百​​分比权重。

增益是解释每个特征的相对重要性最相关的属性。

这些度量都是相对的，因此总和为一个，R 中拟合的 xgboost 模型的一个示例是：

> sum(importance$Frequence)
[1] 1
> sum(importance$Cover)
[1] 1
> sum(importance$Gain)
[1] 1

感谢 Sandeep 的详细回答。我想更正一下，覆盖是在所有拆分中计算的，而不仅仅是叶节点。

让我们用 xgboost 库提供的数据来看一个简单的例子。

library('xgboost')

data(agaricus.train, package='xgboost')
data(agaricus.test, package='xgboost')

train <- agaricus.train
test <- agaricus.test

X = train$data

y = train$label

bst <- xgboost(data = X, label = y, max.depth = 2,
           eta = 1, nthread = 2, nround = 2,objective = "binary:logistic",
           reg_lambda = 0, reg_alpha = 0)

xgb.model.dt.tree(agaricus.train$data@Dimnames[[2]], model = bst)

xgb.importance(agaricus.train$data@Dimnames[[2]], bst)

输出 -

让我们尝试从树转储中计算 odor=none 在重要性矩阵 (0.495768965) 中的覆盖率。

使用 odor=none 的每个拆分的覆盖是节点 ID 0-0 处的 1628.2500 和节点 ID 1-1 处的 765.9390。

所有拆分的总覆盖率（树转储中覆盖列的总和）= 1628.2500*2 + 786.3720*2

重要性矩阵中气味的覆盖率=none = (1628.2500+765.9390)/(1628.2500*2+786.3720*2)

因此，我们确信覆盖是在所有拆分中计算的！