计算决策树模型中每个特征的重要性的代码

在sklearn中，可以通过`feature_importances_`属性来获取决策树模型中每个特征的重要性。具体地，可以按照以下步骤计算特征重要性：

1. 训练决策树模型；
2. 获取训练好的决策树模型的`feature_importances_`属性；
3. 对`feature_importances_`进行归一化，使其所有元素的和为1；
4. 可以通过绘制条形图等方式来展示特征重要性。

下面是一个示例代码，展示了如何计算和展示决策树模型中每个特征的重要性：

from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier
import matplotlib.pyplot as plt
import numpy as np

# 加载数据
iris = load_iris()

# 训练决策树模型
clf = DecisionTreeClassifier(random_state=0)
clf.fit(iris.data, iris.target)

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

# 归一化特征重要性
importances = importances / np.sum(importances)

# 绘制条形图展示特征重要性
plt.bar(range(iris.data.shape[1]), importances)
plt.xticks(range(iris.data.shape[1]), iris.feature_names, rotation=90)
plt.show()

运行上述代码，可以得到一个条形图，其中每个条形代表一个特征的重要性，高度越高表示该特征对于模型的贡献越大。