feature_results = pd.DataFrame({
'feature': list(train_features.columns),
'importance': model.feature_importances_})
feature_results = feature_results.sort_values('importance',ascending=False).reset_index(drop=True)
from IPython.core.pylabtools import figsize
figsize(12, 10)
plt.style.use('ggplot'
特征重要性评估及筛选
最新推荐文章于 2024-06-20 19:43:48 发布
本文介绍了如何在sklearn库中计算特征重要性,并基于这些重要性进行特征选择。通过计算得出,达到95%重要性的特征数量为13个。在训练和测试数据集中,都选取了这13个最重要的特征,分别形成了(6622, 13)和(2839, 13)的特征矩阵。"
105746353,360260,ESP8266 Node MCU: 初学者指南 - WiFi控制LED,"['物联网', 'Arduino', 'ESP8266', '无线控制', '硬件编程']
摘要由CSDN通过智能技术生成