शुरू करेंमुफ़्त में शुरू करें

फ़ीचर महत्व

भले ही कुछ कैंडी attributes, जैसे chocolate, बेहद लोकप्रिय हों, इसका मतलब यह नहीं कि वे मॉडल की prediction के लिए वाकई महत्वपूर्ण होंगे. जब एक random forest मॉडल फिट हो जाए, तो आप मॉडल के attribute .feature_importances_ की मदद से देख सकते हैं कि किन वैरिएबल्स का सबसे बड़ा प्रभाव पड़ा. आप enumerate() का उपयोग करके feature importance array पर लूप चलाकर देख सकते हैं कि मॉडल में हर वैरिएबल कितना महत्वपूर्ण था.

अगर आप Python के enumerate() फंक्शन से परिचित नहीं हैं, तो यह किसी सूची पर लूप चलाते समय अपने-आप एक काउंटर भी बना देता है.

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में Model Validation

पाठ्यक्रम देखें

अभ्यास निर्देश

  • rfr के feature importance आउटपुट पर लूप चलाइए.
  • X_train के कॉलम नाम और उस कॉलम का importance स्कोर प्रिंट कीजिए.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# Fit the model using X and y
rfr.fit(X_train, y_train)

# Print how important each column is to the model
for i, item in enumerate(rfr.____):
      # Use i and item to print out the feature importance of each column
    print("{0:s}: {1:.2f}".format(X_train.columns[____], ____))
कोड संपादित करें और चलाएँ