Відбір ознак
Під час підготовки даних до моделювання важливо переконатися, що у вас є набір корисних ознак, на яких модель базуватиме свої передбачення (або діагностику). Щоб бути справді корисними, ознаки мають у взаємно незалежний спосіб відображати ключові характеристики набору даних про серцеві хвороби; більше даних — не завжди краще!
Ви можете використати модуль sklearn.feature_selection.SelectFromModel для відбору корисних ознак. SelectFromModel реалізує метод грубої сили, який застосовує модель RandomForestClassifier, щоб знайти найважливіші ознаки для задачі діагностики серцевих захворювань.
RandomForestClassifier імпортовано, а ознаки та цільові значення для даних про серцеві хвороби імпортовано як X_train і y_train відповідно.
Ця вправа є частиною курсу
End-to-End Machine Learning
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
from sklearn.feature_selection import SelectFromModel
# Define the random forest model and fit to the training data
rf = ____(____=____, ____=____, ____=____)
rf.____(____, ____)