Sortera viktiga särdrag

Beslutsträd är mycket populära av flera anledningar, inte minst på grund av sin tolkbarhet. Många modeller kan ge träffsäkra förutsägelser, men beslutsträd kan dessutom kvantifiera hur de olika särdragen påverkar målvariabeln. Här kan modellen visa dig vilka särdrag som har störst respektive minst inverkan på beslutet att lämna företaget. I sklearn får du tillgång till den här informationen via attributet feature_importances_.

I den här övningen ska du hämta den kvantifierade vikten för varje särdrag, spara dem i en pandas DataFrame (en pythonisk tabell) och sortera dem från viktigast till minst viktigt. Beslutsträdsklassificeraren model_best från tidigare övningar finns tillgänglig i din arbetsmiljö, liksom variablerna features_test och features_train.

pandas har importerats som pd.

Den här övningen är en del av kursen

HR-analys: Förutsäg personalomsättning i Python

Visa kurs

Övningsinstruktioner

Använd attributet feature_importances_ för att beräkna relativa särdragsvikter
Skapa en lista över särdrag
Spara resultaten i en DataFrame med hjälp av funktionen DataFrame(), där särdragen utgör rader och deras respektive värden bildar en kolumn
Sortera DataFrame:en relative_importances så att de viktigaste särdragen hamnar överst – använd funktionen sort_values() och skriv ut resultatet

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Calculate feature importances
feature_importances = model_best.____

# Create a list of features: done
feature_list = list(features)

# Save the results inside a DataFrame using feature_list as an index
relative_importances = pd.____(index=____, data=feature_importances, columns=["importance"])

# Sort values to learn most important features
relative_importances.____(by="importance", ascending=False)

Redigera och kör kod