问如何使用机器学习模型(或其特征系数)来解释这些特性是否与特定类相关？

EN

回归和分类之间没有很大的区别。正值总是与越来越多的被分类为正类的可能性相关，而负值则可能成为负样本(我假设所有的特性都是正的，否则就失去了的任何意义)。但是要小心，在分类和回归中，如果一个权重大于另一个权重，那么一个特性就是更重要的，这不是真正的。影响这一行为的因素很多，特别是特征值的尺度、方差、广义特征值的分布。

总之。如果您的特性是正值，则特性的符号显示与哪个类的thich特性更相关。线性模型(如线性支持向量机，而不是RF)的一般分类步骤是：

cl(x) = sign( SUM_i coef_i x_i )

所以你可以看到，如果x_i是正的，那么coef_i的符号要么上升(对于正的)，要么降低(负的) cl(x) = 1的几率。但是，如果有coef_1 = 1和coef_2=180，并不意味着第二个特征更重要，这可能是因为第二个特征值很小，例如，特征1可能是以厘米为单位的人的身高(例如180厘米)，而另一个特征是二进制的(0或1)，所以

x_1 * coef_1 = 180 * 1 = 180 = 1 * 180 = x_2 * coef_2

每个特征的实际重要性是机器学习社区中的一个研究领域，称为“特征重要性”或“特征选择方法”。这样的方法有几十种，但没有一种是“最好的”。