随机森林的特征重要性
树模型的一个有用特点是可以提取特征重要性分数。这是一种定量方法，用来衡量每个特征对预测的贡献有多大。它能帮助我们聚焦于效果最好的特征，进而增强或调优它们；也能帮助我们去除无用特征，避免模型被干扰。
sklearn 中的树模型在拟合后可以访问 .feature_importances_ 属性，其中保存了特征重要性分数。我们需要使用 np.argsort() 获取特征重要性排序后的索引，以便绘制一个美观的条形图（按重要性从高到低排序）。
本练习是课程的一部分
Python 金融机器学习
练习说明
- 使用随机森林模型（
rfr）的feature_importances_属性，将特征重要性提取到变量importances中。 - 使用 numpy 的
argsort按特征重要性从高到低获取索引，并将排序后的索引保存到变量sorted_index中。 - 将 xtick 标签设置为变量
labels中的特征名称，顺序使用sorted_index列表。需要先将feature_names转换为 numpy 数组，才能用sorted_index对其进行索引。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# 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()