GLM /逻辑回归中的可变重要性顺序

Question

我的数据框有100行。 我尝试建立二进制广义线性模型：

model = h2o.glm(family="binomial", x=predictors, y=response,
                training_frame=training_df, 
                missing_values_handling="Skip",
                lambda=0, compute_p_values = TRUE, nfolds = 7)
var_imp = h2o.varimp(model)

模型＃1 （AUC = 0.826±0.012）具有以下可变重要性顺序：

                    variable relative_importance scaled_importance
1                          Y           1.7976670         1.0000000
2                          C           1.3799875         0.7676547
3                        AGE           0.8155962         0.4536971
4                    V_4_sum           0.6452078         0.3589140
5                         T2           0.3446666         0.1917300
6                    V_3_sum           0.2452110         0.1364051
7                         T1           0.2028320         0.1128307

一段时间后，我添加了新的变量G ， 模型2 （AUC = 0.943±0.015）的性能有了显着改善（正如我预期的那样）：

                    variable relative_importance scaled_importance
1                          G          8.25206428        1.00000000
2                          C          2.23826129        0.27123653
3                    V_4_sum          1.14390917        0.13862097
4                         T1          0.82906448        0.10046753
5                    V_3_sum          0.76380841        0.09255968
6                         T2          0.20089827        0.02434521
7                        AGE          0.19790613        0.02398262
8                          Y          0.09374866        0.01136063

如您所见，可变重要性顺序已更改。 G现在是最重要的变量，但Y在末尾（以前是第一个）。 新模型中的AGE等级也降低了。

这种效应对GLM是否具有众所周知的h2o varimp函数特性（二进制分类的逻辑回归）？ 我可以使用varimp顺序说一些有关AGE或Y重要性的一般性观点吗？

在我的情况下，可以使用哪些替代方法来生成可变重要性顺序？ 我想让顶部变量的顺序更稳定。