随机森林模型预测特征重要性

随机森林模型可以用于预测特征重要性。下面是一个使用随机森林模型进行特征重要性分析的示例代码：

# 导入所需的库
from sklearn.ensemble import RandomForestRegressor
import pandas as pd

# 创建特征矩阵和目标向量
features = pd.DataFrame({'feature1': [1, 2, 3, 4, 5],
                         'feature2': [5, 4, 3, 2, 1]})
target = pd.Series([10, 20, 30, 40, 50])

# 创建随机森林回归模型
rf = RandomForestRegressor()

# 拟合模型
rf.fit(features, target)

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

# 打印特征重要性
for i, feature in enumerate(features.columns):
    print(f"{feature}: {importance[i]}")

这段代码首先导入了所需的库，然后创建了一个包含两个特征的特征矩阵和一个目标向量。接下来，创建了一个随机森林回归模型，并使用特征矩阵和目标向量拟合了模型。最后，通过`feature_importances_`属性获取了特征重要性，并打印出来。