Rekurzivní eliminace příznaků s náhodným lesem
Obalíš rekurzivní eliminaci příznaků kolem modelu náhodného lesa, který bude odstraňovat příznaky postupně, krok za krokem. Tato metoda je konzervativnější než výběr příznaků pomocí jediného prahového skóre důležitosti – vyřazení jednoho příznaku totiž může ovlivnit relativní důležitost ostatních.
Budeš potřebovat tyto předem načtené datové sady: X, X_train, y_train.
Funkce a třídy, které jsou pro tebe předem načteny: RandomForestClassifier(), RFE(), train_test_split().
Toto cvičení je součástí kurzu
Redukce dimenzionality v Pythonu
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Wrap the feature eliminator around the random forest model
rfe = ____(estimator=____, n_features_to_select=____, verbose=1)