Zacznij terazZacznij za darmo

Ważność cech

Choć niektóre atrybuty słodyczy – na przykład obecność czekolady – mogą być bardzo popularne, niekoniecznie oznacza to, że będą istotne dla prognoz modelu. Po dopasowaniu modelu lasu losowego możesz sprawdzić jego atrybut .feature_importances_, aby zobaczyć, które zmienne miały największy wpływ na wyniki. Możesz przeanalizować wagę każdej zmiennej, iterując po tablicy ważności cech za pomocą funkcji enumerate().

Jeśli nie znasz jeszcze funkcji enumerate() w Pythonie – pozwala ona przeglądać listę i jednocześnie automatycznie numerować kolejne elementy.

To ćwiczenie jest częścią kursu

Walidacja modeli w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

  • Przejdź w pętli przez wyniki ważności cech modelu rfr.
  • Wyświetl nazwy kolumn zbioru X_train wraz z wartością ważności dla każdej z nich.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Fit the model using X and y
rfr.fit(X_train, y_train)

# Print how important each column is to the model
for i, item in enumerate(rfr.____):
      # Use i and item to print out the feature importance of each column
    print("{0:s}: {1:.2f}".format(X_train.columns[____], ____))
Edytuj i uruchom kod