能否获取CatBoost模型针对单条预测结果的特征重要性？

DevOps 小满

2026-7-23

CatBoost单条预测的特征重要性支持情况

CatBoost完全支持针对单条预测结果计算特征重要性（也常被称为特征贡献度），和你熟悉的数据集层面全局特征重要性不同，这类信息能帮你拆解单个样本里每个特征对最终预测的具体影响。

两种常用实现方式：

使用模型自带的get_feature_importance方法
通过指定type='PredictionValuesChange'参数，可直接计算单样本的特征贡献值。需要传入包含目标样本的Pool对象，同时根据任务类型设置prediction_type：

import catboost as cb

# 假设model是训练完成的CatBoost模型，sample是单条样本的DataFrame
# cat_feature_indices是分类特征的索引列表（如果有的话）
contribs = model.get_feature_importance(
    cb.Pool(sample, cat_features=cat_feature_indices),
    type='PredictionValuesChange',
    prediction_type='Probability'  # 分类任务用，回归任务改为'Regression'
)

# 把贡献值和特征名对应起来
feature_contrib_map = dict(zip(model.feature_names_, contribs))

返回的数值表示该特征对当前样本预测值的具体影响，正值推高预测结果，负值拉低预测结果。

借助SHAP值分析
CatBoost原生兼容SHAP框架，通过get_shap_values方法能获取单样本的SHAP值，更直观展示特征的正负贡献：
```
shap_vals = model.get_shap_values(cb.Pool(sample, cat_features=cat_feature_indices))
# 分类任务会返回每个类别的SHAP值数组，回归任务返回单个数组
```
SHAP值的优势在于可以结合可视化工具更直观呈现特征影响，但如果只需要数值结果，直接用上述方法即可。