เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

การคำนวณความสำคัญของฟีเจอร์ด้วย decision tree

คุณได้สร้าง decision tree classifier เพื่อระบุผู้ป่วยที่มีความเสี่ยงต่อโรคหัวใจโดยใช้ชุดข้อมูลโรคหัวใจ ขั้นตอนถัดไปคือการอธิบายโมเดลด้วยการวิเคราะห์ความสำคัญของฟีเจอร์ เพื่อค้นหาปัจจัยหลักที่ใช้ทำนายโรคหัวใจ และนำไปสู่การวางแผนการดูแลสุขภาพที่ตรงเป้าหมายมากยิ่งขึ้น

matplotlib.pyplot ได้ถูก import ไว้แล้วในชื่อ plt และมีการโหลด X_train และ y_train ให้พร้อมใช้งานแล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Explainable AI ด้วย Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • ดึงค่าความสำคัญของฟีเจอร์จาก model
  • พล็อต feature_importances สำหรับ feature_names ที่กำหนด

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

model = DecisionTreeClassifier(random_state=42)
model.fit(X_train, y_train)

# Derive feature importances
feature_importances = ____
feature_names = X_train.columns

# Plot the feature importances
____
plt.show()
แก้ไขและรันโค้ด