随机森林特征重要性代码

随机森林是一种集成学习算法，它通过构建多个决策树并综合它们的结果来进行预测。随机森林可以用于特征重要性评估，以下是一个示例代码：

from sklearn.ensemble import RandomForestClassifier
import numpy as np

# 假设你已经有了特征矩阵 X 和目标变量 y

# 创建随机森林分类器对象
rf = RandomForestClassifier()

# 训练随机森林模型
rf.fit(X, y)

# 获取特征重要性
importances = rf.feature_importances_

# 排序特征重要性
indices = np.argsort(importances)[::-1]

# 打印特征重要性排名
for f in range(X.shape[1]):
    print("%d. feature %d (%f)" % (f + 1, indices[f], importances[indices[f]]))

这段代码使用了scikit-learn库中的RandomForestClassifier类来构建随机森林模型，并通过feature_importances_属性获取特征重要性。然后，使用argsort函数对特征重要性进行排序，并打印出特征重要性的排名。