特征中重要的Python插件

最新推荐文章于 2023-04-23 23:33:47 发布

每天都要被自己菜醒

最新推荐文章于 2023-04-23 23:33:47 发布

阅读量574

点赞数 1

分类专栏：大数据文章标签：算法机器学习 python 深度学习人工智能

本文链接：https://blog.csdn.net/qq_45531594/article/details/108354127

版权

本文探讨了三种用于评估特征重要性的Python工具：Permutation Importance、Partial Dependence Plots和SHAP。Permutation Importance通过改变单个特征值观察模型预测结果的变化；Partial Dependence Plots展示特征对模型输出的影响；而SHAP则提供了解释单个预测的深入理解。这些方法在机器学习和深度学习模型解释性方面发挥关键作用。

摘要由CSDN通过智能技术生成

1.Permutation Importance

import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split #分割训练集
from sklearn.ensemble import RandomForestClassifier #集成算法对解释模型效果是很好的

import warnings
warnings.filterwarnings("ignore")

data = pd.read_csv('C:/Users/lb/Desktop/test//FIFA Statistics.csv')
print(data.head(5) )

#Man of the Match 最佳球员作为y值
y = (data['Man of the Match'] == "Yes") # 转换标签
print(y[:5])

print('*'*80)
print(data.columns) #会把所有的列字段打印出来

print('*'*80)
a = [i for i in data.columns]
print(a)


feature_names = [i for i in data.columns if data[i].dtype in [np.int64]