特征重要性≠物理因果：置换重要性在科学 ML 中的陷阱与用法

bravoabad 长文指出，科学 ML 中的置换重要性（permutation importance）只反映模型对特定扰动的响应，不等于物理因果。方法是在留出数据上多次打乱单个特征取平均，误差大幅上升才说明模型依赖该特征。但冗余描述子（如电负性、原子半径）会集体显得不重要，打乱相关描述子之一还会因生成真实材料中不存在的组合而虚高分数，成组打乱可缓解却只能给整组打分。