广义加性模型中最重要的特征可能是特征组

为什么组比单个线索更重要

现代预测模型常常从数百项测量中筛选信息，从脑部扫描到社区统计数据，以预测健康结局。我们通常会问哪个单一因素最重要：年龄、一项化验，或也许是某个脑区。本文认为这种视角太狭窄。在许多真实的医疗问题中，真正驱动预测的是相关特征组的组合信号，而不是任何单一特征。作者提出了一种快速的方法来衡量此类特征组在一类广泛使用的透明模型中的重要性，并展示了从组的角度可以发现那些否则会被忽略的医学见解。

超越单一风险因素的视角

目前大多数可解释性工具按各个特征对模型预测的影响对其进行排序。当特征相互独立时，这种做法相当有效。但在健康数据中，许多变量会共同变化：创伤经历成群出现、脑网络共同激活、社会条件并发。当特征高度相关时，模型往往把信号分散到这些特征上，给每个特征一个较小的分数，即便它们合在一起具有很强的预测能力。因此，仅关注单个因素可能会掩盖真正的风险驱动因素，甚至在特征选择时舍弃有用的测量项。

一种衡量组影响力的简单方法

作者聚焦于广义加性模型，这是一类透明模型家族，既包括线性模型，也包括一种流行变体——可解释增强机器（Explainable Boosting Machines）。这些模型通过将每个特征（以及可选的特征交互项）的独立贡献曲线相加来预测结果。现有的组重要性测量方法，例如基于Shapley值的得分或分组置换检验，虽然准确但通常计算量大，因为它们需要许多被屏蔽的数据版本或重复训练模型。相比之下，新的方法将一组的重要性定义为其所有特征（及交互项）在训练数据上组合贡献的平均大小。得益于模型的加性结构，这只需对现有的组件函数求和，因此计算快速、可在模型训练后使用，并允许重叠或事后定义的分组。

在受控设定中检验这一想法

为了理解组重要性的表现，作者设计了合成实验，控制特征与目标之间的关系及相关程度。在一种设置中，两项完全相关的特征各自携带一半的可加信号；如预期，它们的组重要性大致等于各自重要性的总和。在另一种情况下，两项独立特征将预测值朝相反方向推动；它们的组重要性相对于各自之和变小，因为它们的效应有时会相互抵消。当相反作用的同一对特征被设为高度相关时，抵消效应更强，组重要性显著减小，即便每个特征单独看仍然显得有影响力。这些实验表明，所提出的度量自然反映了相关特征在共同作用时如何相互加强或抵消。

真实数据在精神健康与手术风险上的发现

作者随后将方法应用于两个医疗案例研究。在一个结合脑成像与行为问卷的大型青少年数据集中，他们预测一种称为负价（negative valence）的抑郁症状谱。当他们将特征分为生活与创伤事件、人格特质、神经心理测试、睡眠和脑网络等领域时，组分析显示生活与创伤事件和人格特质是最强的驱动因素，神经心理测验组也名列前茅。许多与创伤相关的问题高度相关，每项单独的重要性都很低，但创伤组作为整体呈现出最具信息量的信号。先前由于单一特征分数低而被淡化的脑网络度量，也作为一个有意义的组出现。在第二项对超过10万名髋关节置换患者的研究中，他们将传统风险因素（如年龄、性别与合并症）与一个反映社区层面健康社会决定因素的组进行比较。该社区组将邻里收入、社会支持、数字接入、教育与步行便利性捆绑在一起，成为预测90天死亡率的最重要单一预测因子，甚至超过了年龄和合并症。

这对公平且有用的模型意味着什么

通过展示相关变量的组比任何单一变量更具预测性，这项工作质疑了将模型解释读作单一特征排名列表的习惯。所提出的方法使得量化整个领域（例如创伤史、认知功能或社区环境）对预测的贡献变得可行，即便其组成部分众多且相互相关。对于临床医生、政策制定者和数据科学家而言，这提供了对模型所学内容更为整体和现实的视角，强调例如生活经历和社区环境可以媲美甚至超越经典的临床风险因素。简而言之，组重要性为复杂健康数据提供了更清晰的透视，帮助避免误导性解读，并支持更好、更透明的决策制定。

引用: Bosschieter, T., França, L., Wolk, J. et al. The most important features in generalized additive models might be groups of features. Sci Rep 16, 14371 (2026). https://doi.org/10.1038/s41598-026-43928-4

关键词: 特征重要性, 可解释机器学习, 广义加性模型, 医疗分析, 健康的社会决定因素