La importancia de características cuantifica, para un modelo ya entrenado, qué tan influyente fue cada variable de entrada en sus predicciones, permitiendo identificar cuáles son las variables más determinantes y cuáles aportan poco o nada al resultado final.
Sus distintos métodos de cálculo
Algunos modelos, como los árboles de decisión y sus ensambles, calculan esta importancia de forma nativa durante el entrenamiento; para modelos más complejos u opacos, técnicas como SHAP o LIME permiten estimarla de forma más general y comparable entre distintos tipos de modelos.