在python中决策树的特征重要性怎么判断

在Python中，可以使用决策树算法实现特征重要性的计算。在sklearn库中，DecisionTreeClassifier类和DecisionTreeRegressor类都提供了一个属性`feature_importances_`，用于计算特征重要性。

具体做法如下：

1. 导入需要的库和数据集

from sklearn.tree import DecisionTreeClassifier
from sklearn.datasets import load_iris
import pandas as pd
 
iris = load_iris()
X = iris.data
y = iris.target

2. 创建决策树模型并训练数据

dt = DecisionTreeClassifier()
dt.fit(X, y)

3. 查看特征重要性

print(dt.feature_importances_)

`feature_importances_`属性返回一个数组，表示各个特征的重要性。

注意：特征重要性的值越大，则代表该特征对决策树分类的贡献越大。

如果你想让特征重要性更加直观地展示，可以使用pandas库将其转换为DataFrame，并使用matplotlib库进行可视化。

import matplotlib.pyplot as plt
 
feature_importances = pd.DataFrame(dt.feature_importances_,
                                   index = iris.feature_names,
                                   columns=['importance']).sort_values('importance',ascending=False)
print(feature_importances)
 
plt.bar(feature_importances.index, feature_importances.importance)
plt.xticks(rotation=90)
plt.show()

这样就可以得到每个特征的重要性，并且通过柱状图进行可视化显示。