Selezione delle feature tramite feature importance
Nell’ultimo esercizio, hai visto come i metodi filter e wrapper possano essere utili per selezionare le feature nel Machine Learning e nei colloqui di Machine Learning. In questo esercizio, metterai in pratica metodi di selezione delle feature usando la feature importance integrata negli algoritmi basati su alberi sul DataFrame diabetes.
Anche se su DataCamp c’è tempo e spazio solo per provarne alcuni, trovi un’ottima documentazione sul sito di scikit-learn che illustra diversi altri modi per selezionare le feature.
La matrice delle feature e l’array target sono salvati nel tuo workspace come X e y, rispettivamente.
Ricorda che la selezione delle feature è considerata uno step di pre-processing:
Questo esercizio fa parte del corso
Esercitarsi con le domande di colloquio di Machine Learning in Python
esercizio interattivo pratico
Prova questo esercizio completando questo codice di esempio.
# 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.____)