Kursinhalt
Ensemble-Lernen
Ensemble-Lernen
Herausforderung: Bestimmung der Merkmalswichtigkeit mit Random Forest
Random Forest kann Feature-Wichtigkeiten bestimmen, und das ist eine seiner nützlichen Eigenschaften. Die Feature-Wichtigkeit ist ein Maß, das den Beitrag jedes Merkmals im Datensatz zur Vorhersageleistung des Random Forest-Modells quantifiziert.
Um die Feature-Wichtigkeit zu bestimmen, müssen wir die folgenden Schritte durchführen:
- Trainieren Sie das Random Forest-Modell auf dem erforderlichen Datensatz.
- Verwenden Sie das Attribut
.feature_importances_des trainierten Modells, um die Wichtigkeitswerte aller Merkmale zu erhalten. Dieses Attribut gibt ein Array von Werten zurück, die jeweils der Wichtigkeit eines bestimmten Merkmals im Datensatz entsprechen. Die Werte sind normalisiert und summieren sich zu 1, was den Vergleich der relativen Wichtigkeit verschiedener Merkmale erleichtert.
Swipe to start coding
Der 'heart_disease'-Datensatz ist ein häufig verwendeter Datensatz für binäre Klassifikationsaufgaben im maschinellen Lernen. Er enthält verschiedene medizinische Attribute im Zusammenhang mit der Gesundheit von Patienten und zielt darauf ab, das Vorhandensein oder Fehlen von Herzkrankheiten bei einer Person vorherzusagen.
Ihre Aufgabe ist es, die Wichtigkeit der Merkmale des Herzkrankheitsdatensatzes zu bestimmen:
- Verwenden Sie die
RandomForestClassifier-Klasse, um ein Modell zu erstellen. - Passen Sie den Klassifikator an den Datensatz an.
- Finden Sie die Wichtigkeit aller Merkmale.
Lösung
Wechseln Sie zum Desktop, um in der realen Welt zu übenFahren Sie dort fort, wo Sie sind, indem Sie eine der folgenden Optionen verwendenDanke für Ihr Feedback!
Herausforderung: Bestimmung der Merkmalswichtigkeit mit Random Forest
Random Forest kann Feature-Wichtigkeiten bestimmen, und das ist eine seiner nützlichen Eigenschaften. Die Feature-Wichtigkeit ist ein Maß, das den Beitrag jedes Merkmals im Datensatz zur Vorhersageleistung des Random Forest-Modells quantifiziert.
Um die Feature-Wichtigkeit zu bestimmen, müssen wir die folgenden Schritte durchführen:
- Trainieren Sie das Random Forest-Modell auf dem erforderlichen Datensatz.
- Verwenden Sie das Attribut
.feature_importances_des trainierten Modells, um die Wichtigkeitswerte aller Merkmale zu erhalten. Dieses Attribut gibt ein Array von Werten zurück, die jeweils der Wichtigkeit eines bestimmten Merkmals im Datensatz entsprechen. Die Werte sind normalisiert und summieren sich zu 1, was den Vergleich der relativen Wichtigkeit verschiedener Merkmale erleichtert.
Swipe to start coding
Der 'heart_disease'-Datensatz ist ein häufig verwendeter Datensatz für binäre Klassifikationsaufgaben im maschinellen Lernen. Er enthält verschiedene medizinische Attribute im Zusammenhang mit der Gesundheit von Patienten und zielt darauf ab, das Vorhandensein oder Fehlen von Herzkrankheiten bei einer Person vorherzusagen.
Ihre Aufgabe ist es, die Wichtigkeit der Merkmale des Herzkrankheitsdatensatzes zu bestimmen:
- Verwenden Sie die
RandomForestClassifier-Klasse, um ein Modell zu erstellen. - Passen Sie den Klassifikator an den Datensatz an.
- Finden Sie die Wichtigkeit aller Merkmale.
Lösung
Wechseln Sie zum Desktop, um in der realen Welt zu übenFahren Sie dort fort, wo Sie sind, indem Sie eine der folgenden Optionen verwendenDanke für Ihr Feedback!
Wechseln Sie zum Desktop, um in der realen Welt zu übenFahren Sie dort fort, wo Sie sind, indem Sie eine der folgenden Optionen verwenden