Pentingnya fitur pada random forest

Salah satu keunggulan metode berbasis pohon adalah kemampuan mengekstrak tingkat kepentingan fitur. Ini adalah cara kuantitatif untuk mengukur seberapa besar setiap fitur berkontribusi pada prediksi kita. Hal ini dapat membantu Anda memfokuskan perhatian pada fitur terbaik—mungkin dengan meningkatkan atau menyetelnya—dan juga membantu menyingkirkan fitur yang tidak berguna yang dapat mengacaukan model.

Model pohon di sklearn memiliki properti .feature_importances_ yang dapat diakses setelah model dilatih (fitted). Properti ini menyimpan skor kepentingan fitur. Kita perlu memperoleh indeks kepentingan fitur yang sudah diurutkan menggunakan np.argsort() agar dapat membuat diagram batang kepentingan fitur yang rapi (diurutkan dari yang paling penting hingga yang paling tidak penting).

Latihan ini merupakan bagian dari kursus

Machine Learning untuk Keuangan dengan Python

Lihat Kursus

Instruksi latihan

Gunakan properti feature_importances_ dari model random forest kita (rfr) untuk mengekstrak kepentingan fitur ke variabel importances.
Gunakan argsort dari numpy untuk mendapatkan indeks kepentingan fitur dari yang terbesar ke yang terkecil, dan simpan indeks yang sudah diurutkan dalam variabel sorted_index.
Atur label xtick menjadi nama-nama fitur pada variabel labels, menggunakan list sorted_index. feature_names harus dikonversi menjadi numpy array agar dapat diindeks dengan list sorted_index.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# Get feature importances from our random forest model
importances = rfr.____

# Get the index of importances from greatest importance to least
sorted_index = ____(importances)[::-1]
x = range(len(importances))

# Create tick labels 
labels = np.array(____)[____]
plt.bar(x, importances[sorted_index], tick_label=labels)

# Rotate tick labels to vertical
plt.xticks(rotation=90)
plt.show()

Edit dan Jalankan Kode