利用随机森林对特征重要性进行评估（含实例+代码讲解）

这部分主要讲解一下如何使用，需要看原理的小伙伴，可以到我之前的博客：

https://blog.csdn.net/wzk4869/article/details/126379073?spm=1001.2014.3001.5501

这里只介绍用基尼指数来评价的方法：

sklearn已经帮我们封装好了一切，我们只需要调用其中的函数即可。

一、导入数据集

import pandas as pd
url = 'http://archive.ics.uci.edu/ml/machine-learning-databases/wine/wine.data'
wine_data = pd.read_csv(url, header = None)
wine_data
1
2
3
4

我们加入列名：

wine_data.columns = ['Class label', 'Alcohol', 'Malic acid', 'Ash',
              'Alcalinity of ash', 'Magnesium', 'Total phenols',
              'Flavanoids', 'Nonflavanoid phenols', 'Proanthocyanins',
              'Color intensity', 'Hue', 'OD280/OD315 of diluted wines', 'Proline']
wine_data
1
2
3
4
5

我们来大致看下这时一个怎么样的数据集：

import numpy as np
np.unique(wine_data['Class label'])
1
2

可见我们的数据集只有三个类别。

检查一下数据是否有空数组：

wine_data.info()
1

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 178 entries, 0 to 177
Data columns (total 14 columns):
 #   Column                        Non-Null Count  Dtype  
 ---  ------                        --------------  -----  
 0   Class label                   178 non-null    int64  
 1   Alcohol                       178 non-null    float64
 2   Malic acid                    178 non-null    float64
 3   Ash                           178 non-null    float64
 4   Alcalinity of ash             178 non-null    float64
 5   Magnesium                     178 non-null    int64  
 6   Total phenols                 178 non-null    float64
 7   Flavanoids                    178 non-null    float64
 8   Nonflavanoid phenols          178 non-null    float64
 9   Proanthocyanins               178 non-null    float64
 10  Color intensity               178 non-null    float64
 11  Hue                           178 non-null    float64
 12  OD280/OD315 of diluted wines  178 non-null    float64
 13  Proline                       178 non-null    int64  
dtypes: float64(11), int64(3)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

除去class label之外共有13个特征，数据集的大小为178。常规做法，将数据集分为训练集和测试集。

from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
x, y = wine_data.iloc[:, 1:].values, wine_data.iloc[:, 0].values
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size = 0.3, random_state = 0)
feat_labels = df.columns[1:]
forest = RandomForestClassifier(n_estimators=10000, random_state=0, n_jobs=-1)
forest.fit(x_train, y_train)
1
2
3
4
5
6
7

这样一来随机森林就训练好了，其中已经把特征的重要性评估也做好了，我们拿出来看下。

importances = forest.feature_importances_
indices = np.argsort(importances)[::-1]
for f in range(x_train.shape[1]):
    print("%2d) %-*s %f" % (f + 1, 30, feat_labels[indices[f]], importances[indices[f]]))
1
2
3
4

输出的结果为：

 1) 10                             0.182483
 2) 13                             0.158610
 3) 7                              0.150948
 4) 12                             0.131987
 5) 1                              0.106589
 6) 11                             0.078243
 7) 6                              0.060718
 8) 4                              0.032033
 9) 2                              0.025400
10) 9                              0.022351
11) 5                              0.022078
12) 8                              0.014645
13) 3                              0.013916
1
2
3
4
5
6
7
8
9
10
11
12
13

要筛选出重要性比较高的变量的话，这么做就可以：

threshold = 0.15
x_selected = x_train[:, importances > threshold]
x_selected
1
2
3

帮我们选好了三列数据！