Sắp xếp các đặc trưng quan trọng
Một trong những lý do Decision Trees rất phổ biến là vì khả năng giải thích của chúng. Nhiều mô hình có thể dự đoán chính xác, nhưng Decision Trees còn có thể định lượng tác động của các đặc trưng khác nhau lên biến mục tiêu. Ở đây, mô hình có thể cho bạn biết đặc trưng nào ảnh hưởng mạnh nhất và yếu nhất đến quyết định rời công ty. Trong sklearn, bạn có thể lấy thông tin này bằng thuộc tính feature_importances_.
Trong bài tập này, bạn sẽ lấy mức độ quan trọng đã được định lượng của từng đặc trưng, lưu chúng vào một pandas DataFrame (một bảng theo phong cách Python), và sắp xếp từ quan trọng nhất đến kém quan trọng hơn. Mô hình Decision Tree Classifier model_ best được dùng ở các bài trước có sẵn trong workspace của bạn, cùng với các biến features_test và features_train.
pandas đã được import với bí danh pd.
Bài tập này là một phần của khóa học
Phân tích Nhân sự (HR Analytics): Dự đoán nghỉ việc bằng Python
Hướng dẫn bài tập
- Dùng thuộc tính
feature_importances_để tính mức độ quan trọng tương đối của các đặc trưng - Tạo danh sách các đặc trưng
- Lưu kết quả vào một DataFrame bằng hàm
DataFrame(), trong đó các đặc trưng là các hàng và giá trị tương ứng là một cột - Sắp xếp DataFrame
relative_importancesđể đưa các đặc trưng quan trọng nhất lên trên bằng hàmsort_values()và in kết quả
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# Calculate feature importances
feature_importances = model_best.____
# Create a list of features: done
feature_list = list(features)
# Save the results inside a DataFrame using feature_list as an index
relative_importances = pd.____(index=____, data=feature_importances, columns=["importance"])
# Sort values to learn most important features
relative_importances.____(by="importance", ascending=False)