Calcolare l’importanza delle feature con i decision tree
Hai costruito un classificatore a decision tree per identificare i pazienti a rischio di malattie cardiache usando l’insieme di dati sulle malattie cardiache. Ora devi spiegare il modello analizzando l’importanza delle feature per determinare i fattori chiave nella previsione delle malattie cardiache, così da abilitare interventi sanitari più mirati.
matplotlib.pyplot è stato importato come plt. X_train e y_train sono già caricati per te.
Questo esercizio fa parte del corso
Explainable AI in Python
Istruzioni dell'esercizio
- Estrai l’importanza delle feature dal
model. - Visualizza le
feature_importancesper ifeature_namesforniti.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
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()