首先，添加特性会提高你的性能是有道理的，只要确保你仔细评估并且不要过度使用相同的验证数据集（如果是，请尝试在看不见的独立不同测试集上重新评估它）以确保你没有过度拟合.

之后，您可以在其聚合外观中使用 Shapley 值来查看哪些特征（或编码中的特定值）影响了模型决策

我认为没有一种方法可以做到这一点。我所做的是在添加它们之前分析第一个模型残差与新特征的相关性，或者在残差作为目标和新特征作为输入的基础上训练模型。如果您想了解您的特征的重要性或影响，您可以使用依赖图或使用 shap 值库来查看算法中每个特征的大小。

通常添加特征会提高模型的性能，因为它增加了模型预测目标的能力。

通常会问性能指标的相对增加是否值得模型复杂性的增加。AIC和 BIC 是用于评估模型拟合同时惩罚参数数量的信息标准方法。