隨機森林的特徵重要性
樹狀方法的一大優點是可以擷取特徵重要性。這能以量化方式衡量每個特徵對預測的貢獻。它能幫助你聚焦在表現最好的特徵，進一步強化或調校；也能協助移除對模型造成雜訊的無用特徵。
sklearn 中的樹模型在訓練完成後會提供 .feature_importances_ 屬性，裡面存放各特徵的重要性分數。我們需要用 np.argsort() 取得排序後的索引，才能繪製由高到低排列的特徵重要性長條圖。
本練習屬於課程
Python 金融 Machine Learning
練習說明
- 使用隨機森林模型（
rfr）的feature_importances_屬性，將特徵重要性存入importances變數。 - 使用 numpy 的
argsort，取得特徵重要性由大到小的索引，並將排序後的索引存到sorted_index變數。 - 將 xtick 標籤設定為特徵名稱，存入
labels變數，並使用sorted_index清單。為了能以sorted_index清單索引，必須先把feature_names轉為 numpy 陣列。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# Get feature importances from our random forest model
importances = rfr.____
# Get the index of importances from greatest importance to least
sorted_index = ____(importances)[::-1]
x = range(len(importances))
# Create tick labels
labels = np.array(____)[____]
plt.bar(x, importances[sorted_index], tick_label=labels)
# Rotate tick labels to vertical
plt.xticks(rotation=90)
plt.show()