我有一个包含类别型、浮点型和整数型数据类型的DataFrame。
X – 包含所有三种给定数据类型的特征，而y是整数。
我创建了一个如下所示的管道。

get_imputer():    填补函数get_encoder():    某种编码函数#模型管道 = Pipeline(steps=[        ('imputer', get_imputer()),        ('encoder', get_encoder()),        ('regressor', RandomForestRegressor())    ])

我需要找出模型的排列重要性。以下是相应的代码。

import eli5from eli5.sklearn import PermutationImportanceperm = PermutationImportance(pipeline.steps[2][1], random_state=1).fit(X, y)eli5.show_weights(perm)

但这段代码抛出了如下错误：

ValueError: could not convert string to float: ''

回答：

让我们简要了解一下PermutationImportance的工作原理。

在您使用所有特征训练模型后，PermutationImportance会打乱列/列的值，并检查对损失函数的影响。

例如：

有5个特征（列）和n行：

f1 f2 f3 f4 f5

v1 v2 v3 v4 v5v6 v7 v8 v9 v10…vt . . . .

现在，要确定f3列是否重要，它会打乱f3列中的值。例如，将x行中的f3值与y行中的f3值交换，然后检查对损失函数的影响。因此，确定特征在模型中的重要性。

现在，为了回答这个问题，我会说任何模型在训练时，所有特征都应该是数值的（因为机器学习模型无法直接理解文本）。所以，在您的PermutationImportance参数中，您需要提供数值列。因为您在将类别/文本转换为数字后训练了一个模型，您需要对新的输入应用相同的转换策略。

因此，PermutationImportance应该仅在您的数据经过预处理且DataFrame中的所有数据都是数值时使用。