python - sklearn随机森林索引feature_importances_如何做

Question

我在 sklearn 中使用了 RandomForestClassifier 来确定数据集中的重要特征。我如何能够返回实际的特征名称(我的变量标记为 x1、x2、x3 等)而不是它们的相对名称(它告诉我重要的特征是“12”、“22”等)。以下是我目前用于返回重要功能的代码。

important_features = []
for x,i in enumerate(rf.feature_importances_):
    if i>np.average(rf.feature_importances_):
        important_features.append(str(x))
print important_features

此外，为了理解索引，我能够找出重要特征“12”实际上是什么(它是变量 x14)。当我将变量 x14 移动到训练数据集的 0 索引位置并再次运行代码时，它应该告诉我特征“0”很重要，但事实并非如此，就像它看不到该特征一样不再是，列出的第一个功能实际上是我第一次运行代码时列出的第二个功能(功能“22”)。

我在想，也许 feature_importances_ 实际上是在使用第一列(我放置 x14 的位置)作为训练数据集其余部分的一种 ID，因此在选择重要特征时忽略了它。任何人都可以阐明这两个问题吗？预先感谢您的任何帮助。

编辑
以下是我存储特征名称的方式:

tgmc_reader = csv.reader(csvfile)
row = tgmc_reader.next()    #Header contains feature names
feature_names = np.array(row)

然后我加载了数据集和目标类

tgmc_x, tgmc_y = [], []
for row in tgmc_reader:
    tgmc_x.append(row[3:])    #This says predictors start at the 4th column, columns 2 and 3 are just considered ID variables.
    tgmc_y.append(row[0])     #Target column is the first in the dataset

然后继续将数据集拆分为测试和训练部分。

from sklearn.cross_validation import train_test_split

x_train, x_test, y_train, y_test = train_test_split(tgmc_x, tgmc_y, test_size=.10, random_state=33)

然后拟合模型

from sklearn.ensemble import RandomForestClassifier

rf = RandomForestClassifier(n_estimators=1, criterion='entropy', max_features=2, max_depth=5, bootstrap=True, oob_score=True, n_jobs=2, random_state=33)
rf = rf.fit(x_train, y_train)

然后返回重要的特征

important_features = []
for x,i in enumerate(rf.feature_importances_):
    if i>np.average(rf.feature_importances_):
        important_features.append((x))

然后我采纳了你的建议(非常感谢!)

important_names = feature_names[important_features > np.mean(important_features)]
print important_names

它确实返回了变量名。

['x9' 'x10' 'x11' 'x12' 'x13' 'x15' 'x16']

所以您肯定已经解决了我问题的一部分，这太棒了。但是当我回去打印我的重要特征的结果时

print important_features

它返回以下输出:

[12, 22, 51, 67, 73, 75, 87, 91, 92, 106, 125, 150, 199, 206, 255, 256, 275, 309, 314, 317]

我将其解释为它认为第 12、22、51 等变量是重要变量。所以这将是从我告诉它在我的代码开头索引观察点开始的第 12 个变量:

tgmc_x.append(row[3:])

这种解释正确吗？如果这是正确的，当我将第 12 个变量移动到原始数据集中的第 4 列(我告诉它开始使用我刚刚引用的代码读取预测值)并再次运行代码时，我得到以下输出:

[22, 51, 66, 73, 75, 76, 106, 112, 125, 142, 150, 187, 191, 199, 250, 259, 309, 317]

这似乎不再识别该变量。此外，当我将相同的变量移动到原始数据集中的第 5 列时，输出如下所示:

[1,22, 51, 66, 73, 75, 76, 106, 112, 125, 142, 150, 187, 191, 199, 250, 259, 309, 317]

这好像又认出来了。最后一件事，在我通过你的建议让它返回变量名之后，它给了我一个包含 7 个变量的列表。当我只使用我最初做的代码返回重要变量时，它给了我一个更长的重要变量列表。为什么是这样？再次感谢您的帮助。非常感谢!

Answer 1

特征重要性返回一个数组，其中每个索引对应于训练集中该特征的估计特征重要性。内部没有进行排序，它与训练时赋予它的特征一一对应。

如果您将特征名称存储为一个 numpy 数组并确保它与传递给模型的特征一致，您可以利用 numpy 索引来做到这一点。

importances = rf.feature_importances_
important_names = feature_names[importances > np.mean(importances)]
print important_names