树模型（如RandomForest、XGBoost）用feature_importances_，其值归一化且和为1；线性模型（如LogisticRegression）用coef_的绝对值衡量重要性，需先标准化特征并正确处理多分类形状。
用 feature_importances_ 还是 coef_？先看模型类型
不是所有模型都支持同一种特征重要性提取方式。树模型（如 RandomForestClassifier、XGBClassifier）用 feature_importances_，而线性模型（如 LogisticRegression、LinearSVC）靠 coef_ 的绝对值大小来衡量权重。混淆这两者会导致 AttributeError 或误读结果。
-
feature_importances_是归一化的相对重要性，总和为 1，只存在于树系模型和部分集成模型中 -
coef_是原始系数，有正负号，需取np.abs(coef_[0])（二分类）或np.max(np.abs(coef_), axis=0)（多分类）才能近似“重要性” -
PermutationImportance（来自eli5或sklearn.inspection）可统一用于任意模型，但计算开销大
提取 feature_importances_ 时常见报错和修复
训练后直接访问 model.feature_importances_ 却报 AttributeError: 'XXX' object has no attribute 'feature_importances_'，大概率是模型没真正拟合，或用了不支持的算法（比如 SVC、KNeighborsClassifier）。
- 确认调用过
model.fit(X, y)，且没在fit()前就访问属性 - 检查模型类是否属于
tree、ensemble模块，sklearn.svm.SVC和sklearn.naive_bayes.GaussianNB都不提供该属性 - 如果用
GridSearchCV包裹模型，得从grid.best_estimator_.feature_importances_取，而不是grid.feature_importances_
用 coef_ 解释线性模型特征权重要注意什么
coef_ 的数值直接受特征量纲影响，未标准化的输入会让身高（cm）和收入（元）的系数完全不可比。直接排序会误导你认为“收入最重要”，其实只是单位大。
- 务必先对
X做StandardScaler或MinMaxScaler，再训练模型 - 二分类时
coef_形状是(n_features,)；多分类（multi_class='ovr'）则是(n_classes, n_features)，不能直接用abs(coef_) - 用
pd.Series(np.abs(model.coef_[0]), index=feature_names).sort_values(ascending=False)才能安全排序
可视化重要性时最容易被忽略的细节
画条形图时把特征名截断、纵轴没标单位、没按重要性降序排列——这些都会削弱结论可信度。更隐蔽的问题是：用 plotly 或 seaborn 绘图时忘了设置 fig.tight_layout()，长特征名被截掉，你以为排前三的特征其实是“age”、“income”、“education_level”，实际图上只显示了 “age”、“inc…”、“edu…”。
- 特征名建议提前处理成简短唯一标识，如
["age", "log_income", "is_grad"]，别留空格或特殊符号 - 排序必须显式做：
indices = np.argsort(importances)[::-1]，否则图表顺序和数值顺序可能不一致 - 若用
matplotlib，加一句plt.xticks(rotation=45)防止标签重叠，但别设rotation=90——手机上看全黑一片
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
