1. Learn
    2. /
  2. Courses
    3. /
  3. Machine Learning для фінансів у Python
Connected

Exercise

Важливості ознак у Random Forest

Одна з корисних переваг деревоподібних методів — можливість отримувати важливості ознак. Це кількісний спосіб виміряти, наскільки кожна ознака впливає на наші передбачення. Це допомагає зосередитися на найкращих ознаках, можливо, поліпшити або підлаштувати їх, а також позбутися зайвих ознак, які захаращують модель.

Деревні моделі в sklearn мають властивість .feature_importances_, доступну після навчання моделі. Вона зберігає оцінки важливості ознак. Потрібно отримати індекси відсортованих важливостей ознак за допомогою np.argsort(), щоб побудувати наочну стовпчикову діаграму важливостей ознак (від найбільшої до найменшої важливості).

Instructions

100 XP
  • Використайте властивість feature_importances_ нашої моделі Random Forest (rfr), щоб отримати важливості ознак у змінну importances.
  • Використайте argsort з NumPy, щоб отримати індекси важливостей ознак від найбільшої до найменшої, і збережіть відсортовані індекси у змінній sorted_index.
  • Задайте мітки xtick як назви ознак у змінній labels, використовуючи список sorted_index. feature_names потрібно перетворити на масив NumPy, щоб можна було індексувати його списком sorted_index.