การเลือกฟีเจอร์
ในขั้นตอนเตรียมข้อมูลสำหรับการสร้างโมเดล สิ่งสำคัญคือต้องมีชุดฟีเจอร์ที่เป็นประโยชน์เพื่อให้โมเดลใช้เป็นพื้นฐานในการทำนาย (หรือวินิจฉัยโรค) ฟีเจอร์ที่ดีควรดึงลักษณะสำคัญของชุดข้อมูลโรคหัวใจออกมาในแบบที่ไม่ซ้ำซ้อนกัน เพราะข้อมูลมากกว่าไม่ได้แปลว่าดีกว่าเสมอไป!
สามารถใช้โมดูล sklearn.feature_selection.SelectFromModel เพื่อเลือกฟีเจอร์ที่มีประโยชน์ได้ SelectFromModel ใช้วิธีแบบครอบคลุมทุกรูปแบบ (brute-force) โดยอาศัยโมเดล RandomForestClassifier เพื่อค้นหาฟีเจอร์ที่สำคัญที่สุดสำหรับงานวินิจฉัยโรคหัวใจ
RandomForestClassifier ได้ถูก import ไว้แล้ว และฟีเจอร์กับ target ของข้อมูลโรคหัวใจถูก import มาเป็น X_train และ y_train ตามลำดับ
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
Machine Learning แบบ End-to-End
แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ
ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์
from sklearn.feature_selection import SelectFromModel
# Define the random forest model and fit to the training data
rf = ____(____=____, ____=____, ____=____)
rf.____(____, ____)