Modelinize uyduğunuz tüm özellikler için değişken önem (veya özellik önemi) hesaplanır. Bu sahte kod ilgili olabilir size ne kadar değişken isimleri ve önemi hakkında bir fikir verir:
import pandas as pd
train = pd.read_csv("train.csv")
cols = ['hour', 'season', 'holiday', 'workingday', 'weather', 'temp', 'windspeed']
clf = YourClassifiers()
clf.fit(train[cols], train.targets) # targets/labels
print len(clf.feature_importances_)
print len(cols)
Basılan iki liste uzunlukları aynı olduğunu göreceksiniz - aslında listeleri birlikte harita veya Onlara nasıl istersen onu yönlendir. Eğer bir arsa içinde güzel değişken önemini göstermek istiyorsanız, bu kullanabilirsiniz: Bu yöntemi (eğer tüm sütunları uydurma olduğunu anlam kullanmak istemiyorsanız
import numpy as np
import matplotlib.pyplot as plt
plt.figure(figsize=(6 * 1.618, 6))
index = np.arange(len(cols))
bar_width = 0.35
plt.bar(index, clf.feature_importances_, color='black', alpha=0.5)
plt.xlabel('features')
plt.ylabel('importance')
plt.title('Feature importance')
plt.xticks(index + bar_width, cols)
plt.tight_layout()
plt.show()
, tıpkı birkaç seçilmemiş cols
değişkeninde ayarlanır), daha sonra train.columns.values
ile verilerinizin sütun/özellik/değişken adlarını alabilir (ve bu listeyi değişken önem listesiyle birlikte eşleştirebilir veya başka bir şekilde değiştirebilirsiniz).
[Bu örnek çizimler önem taşır] (http://scikit-learn.org/0.13/auto_examples/ensemble/plot_forest_importances.html#example-ensemble-plot-forest-importances-py). Ne istediğinizi ("daha fazla rafine") daha açık hale getirebilir misiniz - belki bu örnekte gösterilmeyen nedir? – AGS