Featureselectie via feature-importance
In de vorige oefening heb je geoefend met hoe filter- en wrappermethoden handig kunnen zijn bij het selecteren van features in Machine Learning en in Machine Learning-sollicitaties. In deze oefening ga je aan de slag met featureselectiemethoden door de ingebouwde feature-importance te gebruiken in boomgebaseerde Machine Learning-algoritmen op de diabetes-DataFrame.
Hoewel je op DataCamp maar met een paar ervan kunt oefenen, is er uitstekende documentatie op de scikit-learn-website waarin verschillende andere manieren om features te selecteren worden besproken.
De featurematrix en de doelfunctie-array zijn opgeslagen in je werkruimte als respectievelijk X en y.
Onthoud dat featureselectie wordt gezien als een preprocessing-stap:
Deze oefening maakt deel uit van de cursus
Machine Learning-sollicitatievragen oefenen in Python
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# 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.____)