我在使用caret比较不同的机器学习方法，尽管这些方法非常不同，但我得到的变量贡献却完全相同。

vNNet, ctree, enet, knn, M5, pcr, ridge, svmRadial 给出的变量贡献是相同的。

其中一些方法可以接受 importance = TRUE 作为输入：vNNet, enet, knn, pcr, ridge, svmRadial 可以这样做。其他的在 importance = TRUE 时会生成错误：ctree, M5。（错误信息是“出了点问题；所有RMSE指标值都缺失：”）

我的问题是，为什么不同的方法会给出相同的变量重要性？这看起来不对劲，但我看不出我哪里做错了。

library(ggplot2)library(caret)library(elasticnet)library(party)data_set <- diamonds[1:1000, c(1, 5, 6, 7, 8, 9, 10)]formula <- price ~ carat + depth + table + x + y + zset.seed(100)enet_model <- train(formula,                    importance = TRUE,                    data = data_set,                    method = "enet",                    trControl = trainControl(method = "cv"),                    preProc = c("center", "scale"))set.seed(100)ctree_model <- train(formula,                      data = data_set,                     method = "ctree",                     trControl = trainControl(method = "cv"))set.seed(Set_seed_seed)knn_model <- train(formula,                   importance = TRUE,                   data = data_set,                   method = "knn",                   preProc = c("center", "scale"),                   tuneGrid = data.frame(k = 1:20),                   trControl = training_control)varImp(enet_model)varImp(ctree_model)varImp(knn_model)

我使用的是caret 6.0-52

回答：

从 ?varImp 中可以看到：

对于没有对应 varImp 方法的模型，请参见 filterVarImp。

这些方法没有实现重要性评分，因此你得到的是无模型的测量。我可以为 enet 添加一个基于系数值的方法，但 knn 和 ctree 没有明显的方法。