FI-RF计算特征重要性python，注意，我的目标是连续值

的回归问题。

可以使用随机森林回归模型来计算特征重要性。

首先，需要导入必要的库和数据集：

import pandas as pd
import numpy as np
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_squared_error

data = pd.read_csv('dataset.csv') # 加载数据集
X = data.drop(['target'], axis=1) # 特征变量
y = data['target'] # 目标变量

然后，可以使用随机森林回归模型进行训练和预测，并计算特征重要性：

rf = RandomForestRegressor(n_estimators=100, random_state=42) # 随机森林回归模型
rf.fit(X, y) # 训练模型
y_pred = rf.predict(X) # 预测目标变量

# 计算均方误差
mse = mean_squared_error(y, y_pred)

# 计算特征重要性
importances = rf.feature_importances_

最后，可以将特征重要性和对应的特征名称组合起来，并按重要性从高到低排序：

# 将特征重要性和特征名称组合起来
feature_importances = pd.DataFrame({'feature': X.columns, 'importance': importances})

# 按重要性从高到低排序
feature_importances = feature_importances.sort_values('importance', ascending=False).reset_index(drop=True)

print(feature_importances)

输出结果类似于：

         feature  importance
0            var1    0.257689
1            var2    0.179678
2            var3    0.109517
3            var4    0.084239
4            var5    0.071943
5            var6    0.062956
6            var7    0.056391
7            var8    0.042761
8            var9    0.025765
9           var10    0.009779
10          var11    0.000902