我的狗展预测工具的神经网络出现了一些问题。概括地说，我从几个因素开始——年龄、体重、身高、品种（这是一组虚拟变量）、主观可爱分数——并预测动物是否会在节目中获胜（二元变量） . 我有几百个节目，所以有几万行。我坚持使用 nnet 包而不是神经网络，但我可以很容易地创建一个像样的神经网络

model <- nnet(Win ~ ., x=X_training, y=Y_training, size=30, maxit=500)

效果很好。我已经根据保留测试数据对其进行了测试，AUC 和混淆矩阵看起来不错，我可以用它来预测未来的赢家。问题是，我如何确定哪个变量在预测每个新狗展的结果时最重要？当我对未来的获胜者进行预测时，我使用以下代码

winpred = predict(model, x, type='raw')

它提供了获胜可能性的 0 到 1 之间的分数。我还希望通过某种方式为每一行确定哪些变量——年龄、体重、身高、品种假人和可爱——对我的预测得分贡献最大和最小。如果我是为一只狗做这个，我会根据这篇文章使用 LIME 或其他东西，但不幸的是，我想一次在几百只狗上运行这个。

基本上，我希望能够对狗主人说他们的小狗因为 x 而表现良好，但最阻碍它的是 y（当然，如果它是品种，则不是很有帮助）。似乎没有办法用神经网络来做到这一点。现在还有其他机器学习技术可以做到这一点吗？如果没有，对其他可行的模型有什么建议吗？

我正在考虑将 OLS 用作线性概率模型或 logit/probit，可能与 LASSO 或 Ridge 一起使用。我可以使用我的机器学习模型对狗进行评分，但在后台从回归中提取来确定哪些变量对分数的贡献最大、积极和消极。从统计的角度来看，Logit/probit 更好，但是在 R/RStudio 中是否有任何简单的方法来解释一次数百只狗，哪个属性对它们的得分贡献最大？