Featureauswahl über Feature-Wichtigkeit
In der letzten Übung hast du geübt, wie Filter- und Wrapper-Methoden bei der Auswahl von Features in der Praxis und im Vorstellungsgespräch helfen können. In dieser Übung trainierst du die Featureauswahl mit der integrierten Feature-Wichtigkeit von baumbasierten Machine-Learning-Algorithmen auf dem diabetes-DataFrame.
Auch wenn auf DataCamp nur Zeit und Platz für einige wenige Methoden ist, gibt es auf der scikit-learn-Website ausgezeichnete Dokumentation, die weitere Ansätze zur Featureauswahl erläutert.
Die Feature-Matrix und das Ziel-Array sind als X bzw. y in deinem Workspace gespeichert.
Denk daran: Featureauswahl gilt als Preprocessing-Schritt:
Diese Übung ist Teil des Kurses
ML-Vorstellungsgespräche in Python üben
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Import
from sklearn.ensemble import ____
# Instantiate
rf_mod = ____(max_depth=2, random_state=123,
n_estimators=100, oob_score=True)
# Fit
rf_mod.____(____, ____)
# Print
print(diabetes.columns)
print(rf_mod.____)