x1_train,x1_test,y1_train,y1_test=model_selection.train_test_split(df2[predictors], df2['睡眠质量'],test_size=0.2, random_state=1234) x1_train=x1_train[['年龄','睡眠时长','身体活动水平','压力水平','心率','每日步数','occupation_会计师','occupation_律师','occupation_科学家','occupation_老师','occupation_营业员','occupation_销售代表','BMI_超重','睡眠障碍_失眠']] x1_test=x1_test[['年龄','睡眠时长','身体活动水平','压力水平','心率','每日步数','occupation_会计师','occupation_律师','occupation_科学家','occupation_老师','occupation_营业员','occupation_销售代表','BMI_超重','睡眠障碍_失眠']] regressor = RandomForestRegressor(n_estimators=100, max_depth=5) regressor.fit(x1_train, y1_train) y1_pred = regressor.predict(x1_test) print('Mean squared error:', mean_squared_error(y1_test, y1_pred)) print('R-squared:', r2_score(y1_test, y1_pred)) df2.head()怎么求各变量的系数和对因变量的影响程度

在随机森林回归模型中，由于每个决策树的结构和特征选择都是随机的，因此不会直接得到每个特征对目标变量的系数，以及每个特征对目标变量的影响程度。

不过，在随机森林模型中，可以通过特征重要性（Feature Importance）来评估每个特征对模型的贡献程度，从而间接地了解每个特征对目标变量的影响。特征重要性可以通过模型的feature_importances_属性获取，该属性返回一个数组，其中每个元素表示对应特征的重要性得分。在sklearn库中，可以使用以下代码获取特征重要性：

importance = regressor.feature_importances_

其中，regressor为随机森林回归模型，importance为特征重要性数组。

可以将特征重要性得分进行排序，从而得到每个特征对目标变量的影响程度。具体来说，对于每个特征，重要性得分越高，说明该特征对目标变量的影响越大。以下是一个示例代码，用于获取每个特征的重要性得分并进行排序：

feat_importances = pd.Series(regressor.feature_importances_, index=x1_train.columns)
feat_importances = feat_importances.sort_values(ascending=False)
print(feat_importances)

其中，feat_importances为一个Series类型的对象，包含每个特征的重要性得分。在这个示例中，我们将特征重要性得分按降序排列，并打印输出。