Sfida: Implementazione di una Random Forest
In sklearn, la versione per la classificazione della Random Forest è implementata tramite RandomForestClassifier:
Calcolerai inoltre l'accuratezza della validazione incrociata utilizzando la funzione cross_val_score():
Alla fine, stamperai l'importanza di ciascuna caratteristica. L'attributo feature_importances_ restituisce un array di punteggi di importanza: questi punteggi rappresentano quanto ogni caratteristica ha contribuito a ridurre l'impurità di Gini in tutti i nodi decisionali in cui quella caratteristica è stata utilizzata. In altre parole, più una caratteristica aiuta a suddividere i dati in modo utile, maggiore sarà la sua importanza.
Tuttavia, l'attributo fornisce solo i punteggi senza i nomi delle caratteristiche. Per visualizzarli entrambi, puoi abbinarli utilizzando la funzione zip() di Python:
for feature, importance in zip(X.columns, model.feature_importances_):
print(feature, importance)
Questo stampa ogni nome della caratteristica insieme al suo punteggio di importanza, facilitando la comprensione di quali caratteristiche sono state maggiormente utilizzate dal modello.
Swipe to start coding
Ti viene fornito un dataset Titanic memorizzato come DataFrame nella variabile df.
- Inizializza il modello Random Forest, imposta
random_state=42, addestralo e memorizza il modello addestrato nella variabilerandom_forest. - Calcola gli score di cross-validation per il modello addestrato utilizzando
10fold e memorizza i risultati nella variabilecv_scores.
Soluzione
Grazie per i tuoi commenti!
single
Chieda ad AI
Chieda ad AI
Chieda pure quello che desidera o provi una delle domande suggerite per iniziare la nostra conversazione
Can you explain how cross-validation works in this context?
How do I interpret the feature importance scores?
Can you show an example of how to use RandomForestClassifier with cross_val_score?
Awesome!
Completion rate improved to 4.17Sfida: Implementazione di una Random Forest
Scorri per mostrare il menu
In sklearn, la versione per la classificazione della Random Forest è implementata tramite RandomForestClassifier:
Calcolerai inoltre l'accuratezza della validazione incrociata utilizzando la funzione cross_val_score():
Alla fine, stamperai l'importanza di ciascuna caratteristica. L'attributo feature_importances_ restituisce un array di punteggi di importanza: questi punteggi rappresentano quanto ogni caratteristica ha contribuito a ridurre l'impurità di Gini in tutti i nodi decisionali in cui quella caratteristica è stata utilizzata. In altre parole, più una caratteristica aiuta a suddividere i dati in modo utile, maggiore sarà la sua importanza.
Tuttavia, l'attributo fornisce solo i punteggi senza i nomi delle caratteristiche. Per visualizzarli entrambi, puoi abbinarli utilizzando la funzione zip() di Python:
for feature, importance in zip(X.columns, model.feature_importances_):
print(feature, importance)
Questo stampa ogni nome della caratteristica insieme al suo punteggio di importanza, facilitando la comprensione di quali caratteristiche sono state maggiormente utilizzate dal modello.
Swipe to start coding
Ti viene fornito un dataset Titanic memorizzato come DataFrame nella variabile df.
- Inizializza il modello Random Forest, imposta
random_state=42, addestralo e memorizza il modello addestrato nella variabilerandom_forest. - Calcola gli score di cross-validation per il modello addestrato utilizzando
10fold e memorizza i risultati nella variabilecv_scores.
Soluzione
Cambia al desktop per esercitarti nel mondo realeContinua da dove ti trovi utilizzando una delle opzioni seguentiGrazie per i tuoi commenti!
single
