1. Học hỏi
    2. /
  2. Khoa Học
    3. /
  3. Machine Learning cho Tài chính bằng Python
Connected

Bài tập

Tầm quan trọng của đặc trưng trong Random forest

Một điểm hữu ích của các phương pháp dựa trên cây là khả năng trích xuất tầm quan trọng của đặc trưng. Đây là cách định lượng để đo lường mỗi đặc trưng đóng góp bao nhiêu vào dự đoán. Nó giúp bạn tập trung vào những đặc trưng tốt nhất, có thể cải thiện hoặc tinh chỉnh chúng, và cũng giúp loại bỏ các đặc trưng vô ích đang làm rối mô hình.

Các mô hình cây trong sklearn có thuộc tính .feature_importances_ có thể truy cập sau khi fit mô hình. Thuộc tính này lưu điểm tầm quan trọng của đặc trưng. Bạn cần lấy chỉ số của các giá trị tầm quan trọng đã sắp xếp bằng np.argsort() để vẽ biểu đồ cột đẹp mắt cho tầm quan trọng của đặc trưng (được sắp xếp từ quan trọng nhất đến ít quan trọng nhất).

Hướng dẫn

100 XP
  • Dùng thuộc tính feature_importances_ của mô hình random forest (rfr) để trích xuất tầm quan trọng của đặc trưng vào biến importances.
  • Dùng argsort của numpy để lấy chỉ số của các giá trị tầm quan trọng theo thứ tự từ lớn đến nhỏ, và lưu các chỉ số đã sắp xếp vào biến sorted_index.
  • Đặt nhãn xtick là tên các đặc trưng trong biến labels, sử dụng danh sách sorted_index. feature_names cần được chuyển thành một mảng numpy để có thể đánh chỉ mục bằng danh sách sorted_index.