Selección de características mediante importancia de características
En el último ejercicio, practicaste cómo los métodos de filtro y de envoltura pueden ser útiles al seleccionar características en Machine Learning y en entrevistas de Machine Learning. En este ejercicio, practicarás métodos de selección de características usando la importancia de características incorporada en algoritmos de Machine Learning basados en árboles sobre el DataFrame diabetes.
Aunque en DataCamp solo hay tiempo y espacio para practicar con algunos de ellos, en la web de scikit-learn hay una excelente documentación que repasa varias otras formas de seleccionar características.
La matriz de características y el vector objetivo están guardados en tu espacio de trabajo como X y y, respectivamente.
Recuerda que la selección de características se considera un paso de preprocesamiento:
Este ejercicio forma parte del curso
Practicing Machine Learning Interview Questions in Python
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
# 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.____)