Menghitung feature importance dengan decision tree
Anda membangun classifier decision tree untuk mengidentifikasi pasien yang berisiko penyakit jantung menggunakan himpunan data penyakit jantung. Sekarang Anda perlu menjelaskan model dengan menganalisis feature importance untuk menentukan faktor-faktor kunci dalam memprediksi penyakit jantung, sehingga memungkinkan intervensi layanan kesehatan yang lebih terarah.
matplotlib.pyplot telah diimpor sebagai plt. X_train dan y_train sudah dimuat untuk Anda.
Latihan ini merupakan bagian dari kursus
Explainable AI in Python
Instruksi latihan
- Ekstrak feature importances dari
model. - Plot
feature_importancesuntukfeature_namesyang diberikan.
Latihan interaktif langsung praktik
Cobalah latihan ini dengan melengkapi kode contoh ini.
model = DecisionTreeClassifier(random_state=42)
model.fit(X_train, y_train)
# Derive feature importances
feature_importances = ____
feature_names = X_train.columns
# Plot the feature importances
____
plt.show()