我在Python 3.8.5上使用xgboost成功运行了一个机器学习算法，但对结果的解释遇到了困难。
输出/目标是二元的，即死亡或未死亡。
我和我的受众都熟悉R语言中的glm所提供的比值比，我相信xgboost应该能以某种方式显示这类信息，但我找不到具体的方法。
我的第一反应是查看xgboost的predict_proba输出
但当我这样做时，得到的结果是
>>> deceased.pp.view()array([[0.5828363 , 0.4171637 ], [0.89795643, 0.10204358], [0.5828363 , 0.4171637 ], [0.89795643, 0.10204358]], dtype=float32)我假设这些是公式1/(1-p)中的p，用于计算每个输入项（如sex和age）的比值比。
我在这个网站上找到了一个类似的问题，但答案对我没有帮助：
xgboost predict_proba : How to do the mapping between the probabilities and the labels
因此，根据那里的回答，我使用.classes_得到了这个
>>> deceased.xg_clf.classes_array([False, True])事实上，我甚至不确定xgboost能否提供类似glm的比值比，最接近的似乎是feature_importances。
然而，特征重要性并不能提供与比值比相同的信息。
但.classes_并没有告诉我如何找出哪些输入类别（例如age或sex）具有什么样的概率。
我如何将classes_与输入类别联系起来？如果这不正确或不可能，还有其他什么方法可以计算xgboost中每个输入变量的比值比？
回答：
同意，xgboost提供类似比值比的东西确实不太合适。你有没有看过其他形式的模型解释性方法，这些方法更适合像xgboost这样复杂的模型？例如，shap是一个可以提供类似分析的库，但更适合这些类型的模型。
