Ранжируйте функции по важности в алгоритме случайного леса, получая 0 для всех моих функций - PullRequest
Новая
       49

Ранжируйте функции по важности в алгоритме случайного леса, получая 0 для всех моих функций

0 голосов
/ 24 октября 2018

Я пытаюсь сделать прогноз для столбца с именем «Gold2» на основе 50 функций, используя алгоритм случайного леса, я не знаю, какие функции важнее других для создания прогноза, и именно поэтому япытаясь ранжировать свои функции в соответствии с их важностью, я получаю все 0 для каждой используемой функции, не знаю, что не так с моим кодом, также моя способность прогнозирования составляет всего 16%, поэтому я пытаюсь обнаружитьНаиболее важные функции, которые помогают в прогнозировании и фокусируются на них для будущих прогнозов. Не могли бы вы указать какой-либо другой код, чтобы получить ранжирование моих функций по важности? 

`enter code here`  # -*- coding: utf-8 -*-
   """
   Created on Wed Oct 24 16:29:15 2018

   @author: mouna
   """

   # -*- coding: utf-8 -*-
   """
   Created on Wed Oct 24 14:18:34 2018

   @author: uashraf
   """

   import numpy as np 

   # data processing
   import pandas as pd 

   # data visualization
   import seaborn as sns
   from matplotlib import pyplot as plt
   from matplotlib import style

   # Algorithms
   from sklearn import linear_model
   from sklearn.linear_model import LogisticRegression
   from sklearn.ensemble import RandomForestClassifier
   from sklearn.linear_model import Perceptron
   from sklearn.linear_model import SGDClassifier
   from sklearn.tree import DecisionTreeClassifier
   from sklearn.neighbors import KNeighborsClassifier
   from sklearn.svm import SVC, LinearSVC
   from sklearn.naive_bayes import GaussianNB


   data = 
   pd.read_csv('C:/Users/mouna/ownCloud/Share/dumps/tablelogChessPython.csv')

   labels = data['Gold2']

   #plt.hist(labels)
   features = data.iloc[:,1:47]


   from sklearn.model_selection import train_test_split

   train_features, test_features, train_labels, test_labels = 
   train_test_split(features, labels, test_size = 0.25, random_state = 42)
   #test_features  = test_features.drop("Gold2", axis=1)

   random_forest = RandomForestClassifier(n_estimators=10)
   random_forest.fit([train_features.any()], [train_labels.any()])

   Y_prediction = random_forest.predict(test_features)
   acc_random_forest_test = round(random_forest.score(test_features, 
   test_labels) * 100, 2)
   print(round(acc_random_forest_test,2,), "%")

   importances = 

 pd.DataFrame({'feature':train_features.columns,'importance':np.round(random_fore 
   st.feature_importances_,3)})
   importances = 
   importances.sort_values('importance',ascending=False).set_index('feature')
   importances.head(47)

   # Decision Tree
   decision_tree = DecisionTreeClassifier()
   decision_tree.fit([train_features.any()], [train_labels.any()])

   Y_pred = decision_tree.predict(test_features)

   acc_decision_tree = round(decision_tree.score(test_features, test_labels) * 
   100, 2)
   print(round(acc_decision_tree,2,), "%")
...