我使用了来自SciKit的精确示例，该示例将permutation_importance与tree feature_importances进行了比较
如你所见，使用了Pipeline：
rf = Pipeline([ ('preprocess', preprocessing), ('classifier', RandomForestClassifier(random_state=42))])rf.fit(X_train, y_train)permutation_importance：
现在，当你拟合一个Pipeline时，它会依次拟合所有变换并转换数据，然后使用最终的估计器来拟合转换后的数据。
在示例的后面，他们在拟合的模型上使用了permutation_importance：
result = permutation_importance(rf, X_test, y_test, n_repeats=10, random_state=42, n_jobs=2)问题：我不理解的是，result中的特征仍然是原始的未转换特征。为什么会这样？这是正常工作的吗？那么Pipeline的目的是什么呢？
tree feature_importance：在同一个示例中，当他们使用feature_importance时，结果是转换后的：
tree_feature_importances = ( rf.named_steps['classifier'].feature_importances_)
显然，我可以转换我的特征然后使用permutation_importance，但示例中呈现的步骤似乎是有意为之的，permutation_importance不转换特征应该是有原因的。
回答：
这是预期的行为。排列重要性的工作方式是打乱输入数据并将其应用于Pipeline（或者如果您想要的话，应用于模型）。事实上，如果您想了解初始输入数据如何影响模型，那么您应该将其应用于Pipeline。
如果您对由预处理步骤生成的每个额外特征的重要性感兴趣，那么您应该生成带有列名的预处理数据集，然后直接将该数据应用于模型（使用排列重要性）而不是Pipeline。
在大多数情况下，人们并不关心学习Pipeline生成的次要特征的影响。这就是为什么他们在这里使用Pipeline来包含预处理和建模步骤的原因。
