是的，AutoML（自动化机器学习）可以在其工作流程中识别特征重要性。大多数 AutoML 框架都包含特征重要性分析，以帮助用户了解哪些变量对模型的预测影响最大。 这是通过内置方法实现的，例如置换重要性、SHAP（SHapley Additive exPlanations）值或模型特定的指标（例如，线性模型中的系数或基于树的模型中的分割重要性）。 例如，像 H2O AutoML 或 Google 的 AutoML Tables 这样的工具会在训练后自动生成特征重要性分数，使开发人员无需手动分析即可确定关键变量的优先级或解释它们。
AutoML 系统通常通过训练模型，然后评估输入特征的变化如何影响预测准确性或输出来计算特征重要性。 例如，置换重要性衡量的是当一个特征的值被随机打乱时，模型性能的下降程度，表明了其预测价值。 类似地，诸如 XGBoost 或随机森林之类的基于树的模型，通常在 AutoML 管道中使用，跟踪特征用于分割数据的频率，这可以作为重要性的代理。 一些框架还集成了 SHAP 值，该值将贡献分数分配给每个特征以进行单独的预测，从而提供对其影响的细粒度视图。 例如，在销售预测项目中，AutoML 工具可能会突出显示“历史销售额”和“假日季”作为最重要的特征，从而指导利益相关者关注这些因素。
但是，AutoML 特征重要性的可靠性取决于底层模型和数据质量。 如果 AutoML 系统选择线性回归模型，则系数可能无法捕获复杂的交互，而基于树的方法可能会过度强调高基数特征。 此外，相关性并不意味着因果关系——重要的特征可能是未测量的变量的代理。 开发人员应使用领域知识验证结果。 例如，在医疗保健模型中，诸如“患者年龄”之类的特征可能排名很高，但这可能会掩盖数据收集中的偏差。 AutoML 简化了流程，但并没有消除批判性评估的需要。 像 MLflow 这样的工具或像 scikit-learn 这样的库可以补充 AutoML 输出以进行更深入的分析。