ПочатиПочніть безкоштовно

Візуалізація важливості ознак

У цій вправі ви визначите, які ознаки були найпрогнознішими за версією регресора випадкового лісу rf, який ви тренували в попередній вправі.

Для цього ви побудуєте горизонтальну стовпчикову діаграму важливості ознак, оцінених rf. На щастя, це легко зробити завдяки можливостям побудови графіків у pandas.

Ми створили об'єкт pandas.Series з назвою importances, у якому назви ознак збережено як index, а їхня важливість — як значення. Крім того, matplotlib.pyplot доступний як plt, а pandas — як pd.

Ця вправа є частиною курсу

Машинне навчання з деревоподібними моделями в Python

Переглянути курс

Інструкції до вправи

  • Викличте метод .sort_values() для importances і запишіть результат у importances_sorted.

  • Викличте метод .plot() для importances_sorted і задайте аргументи:

    • kind як 'barh'
    • color як 'lightgreen'

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Create a pd.Series of features importances
importances = pd.Series(data=rf.feature_importances_,
                        index= X_train.columns)

# Sort importances
importances_sorted = ____

# Draw a horizontal barplot of importances_sorted
____.____(____='____', ____='____')
plt.title('Features Importances')
plt.show()
Редагувати та запускати код