---
title: "特徵重要性（Feature Importance）"
slug: feature-importance
language: zh-TW
source: https://aiterms.tw/terms/feature-importance
updated_at: 2026-06-22
tags: [特徵工程, 模型可解釋性, 特徵選擇, XGBoost, 隨機森林]
ipas_term: false
---

# 特徵重要性（Feature Importance）

量化輸入特徵對機器學習模型預測結果影響程度的指標，用於特徵選擇與模型理解。

## 完整說明

特徵重要性是評估機器學習模型中各輸入特徵對預測貢獻程度的方法。透過量化每個特徵的影響力，可以識別哪些特徵對模型最有用、哪些可能為冗餘或雜訊。特徵重要性既是特徵選擇的工具，也是模型可解釋性的基礎，在樹狀模型（如 Random Forest、XGBoost）、線性模型及深度學習中均有對應的計算方法，常見指標包含增益（Gain）、頻率（Frequency）與置換重要性（Permutation Importance）。

## 常見問題

### 特徵重要性高代表該特徵是造成預測結果的原因嗎？

不一定。特徵重要性高只代表該特徵對模型的預測有很強的統計關聯，但不等同於因果關係。例如，冰淇淋銷量與溺水事故高度相關，但兩者都是氣溫升高的結果，並無直接因果。在建立機器學習模型時，若重要特徵本身是目標的代理變數（Proxy）而非真正驅動因素，依賴此特徵進行決策可能產生誤導。要建立因果推論需要使用隨機對照實驗或因果推斷框架（如 Do-Calculus、Instrumental Variables），而非單純依賴特徵重要性排序。

### 為什麼不同方法算出的特徵重要性排序可能不同？

不同特徵重要性方法的計算邏輯不同，因此可能得出不同排序。Gini 重要性以訓練數據不純度降低量計算，容易受高基數特徵（如 ID 欄位）影響；置換重要性在驗證集上計算，更反映真實泛化效果；SHAP 值基於所有特徵子集的平均邊際貢獻，理論最嚴謹但計算成本較高。當多種方法的排序不一致時，建議以置換重要性或 SHAP 作為主要參考，並結合業務知識進行最終判斷，不要盲目依賴單一方法的結果。

### 是否可以只保留重要性高的特徵來訓練模型？

可以，但需要謹慎驗證。移除低重要性特徵有助於簡化模型、降低過擬合風險與推論成本。實務做法是：先訓練包含所有特徵的基準模型，計算特徵重要性，移除重要性低於特定閾值的特徵後，再在相同驗證集上重新訓練並比較效能。若效能未顯著下降（或反而因過擬合降低而提升），則移除是合理的。要注意的是，某些特徵雖然單獨重要性低，但與其他特徵的交互作用卻可能有重要貢獻，因此不能只看個別特徵的重要性，有時需要考慮特徵交互項。

---

來源：https://aiterms.tw/terms/feature-importance
快查頁：https://aiterms.tw/terms/feature-importance
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-feature-importance