基于决策树的特征重要性用python怎么计算

在Python中，可以使用scikit-learn库来计算基于决策树的特征重要性得分。以下是一个简单的示例代码：

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

# 加载数据集
iris = load_iris()
X = iris.data
y = iris.target

# 训练决策树模型
dt = DecisionTreeClassifier(random_state=0)
dt.fit(X, y)

# 计算特征重要性得分
importance = dt.feature_importances_

# 可视化特征重要性得分
plt.bar(range(X.shape[1]), importance)
plt.xticks(range(X.shape[1]), iris.feature_names, rotation=90)
plt.show()

在这个例子中，我们使用iris数据集来训练一个决策树模型，并使用`feature_importances_`属性来计算每个特征的重要性得分。最后，我们使用matplotlib库将这些得分可视化，以便更好地理解哪些特征对模型预测最有用。