У sklearn класифікаційна версія Random Forest реалізована за допомогою RandomForestClassifier:

Також буде обчислено точність крос-валідації за допомогою функції cross_val_score():

Наприкінці буде виведено важливість кожної ознаки. Атрибут feature_importances_ повертає масив оцінок важливості — ці оцінки відображають, наскільки кожна ознака сприяла зменшенню нечистоти Джині на всіх вузлах дерева рішень, де ця ознака використовувалася. Іншими словами, чим більше ознака допомагає розділяти дані корисним чином, тим вища її важливість.

Однак цей атрибут повертає лише оцінки без назв ознак. Щоб відобразити обидва, можна поєднати їх за допомогою функції Python zip():

for feature, importance in zip(X.columns, model.feature_importances_):
    print(feature, importance)

Цей код виводить назву кожної ознаки разом з її оцінкою важливості, що полегшує розуміння, на які ознаки модель спиралася найбільше.