web-dev-qa-db-ja.com

Scikit-learnを使用して、RFモデルのクラスごとの特徴の重要性を判断する

ワンホットエンコーディングパターンに従う dataset があり、従属変数もバイナリです。コードの最初の部分には、データセット全体の重要な変数がリストされています。このstackoverflowの投稿で述べた方法を使用しました。 " scikitを使用して特定のクラス予測への各機能の寄与を決定する "。どのような出力が得られるのかわかりません。私の場合、特徴の重要性は、モデル全体で最も重要な特徴である「アドバイス付きの遅延関連DMS」にランク付けされます。私はそれをそのように解釈します。この変数はクラス0またはクラス1のいずれかで重要であるはずですが、得られた出力から、両方のクラスで重要ではありません。上で共有したstackoverflowのコードは、DVがバイナリの場合、クラス0の出力がクラス1の（符号+/-に関して）正反対であることも示しています。私の場合、値は両方で異なります。クラス。

プロットは次のようになります。-

機能の重要性-モデル全体

Feature Importance - Overall Model

機能の重要性-クラス0 Feature Importance - Class 0

機能の重要性-クラス1 Feature Importance - Class 1

コードの2番目の部分は、累積的な機能の重要性を示していますが、[プロット]を見ると、どの変数も重要ではないことがわかります。私の式が間違っているのか、解釈が間違っているのか、あるいはその両方ですか？

プロット plot

これが私のコードです。

import pandas as pd
import numpy as np
import json
import matplotlib.pyplot as plt
%matplotlib inline

from sklearn.model_selection import train_test_split, cross_val_score
from sklearn.metrics import confusion_matrix
from sklearn.preprocessing import scale
from sklearn.ensemble import ExtraTreesClassifier


##get_ipython().run_line_magic('matplotlib', 'inline')

file = r'RCM_Binary.csv'
data = pd.read_csv()
print("data loaded successfully ...")

# Define features and target
X = data.iloc[:,:-1]
y = data.iloc[:,-1]

#split to training and testing
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=41)

# define classifier and fitting data
forest = ExtraTreesClassifier(random_state=1)
forest.fit(X_train, y_train)

# predict and get confusion matrix
y_pred = forest.predict(X_test)
cm = confusion_matrix(y_test, y_pred)
print(cm)

#Applying 10-fold cross validation
accuracies = cross_val_score(estimator=forest, X=X_train, y=y_train, cv=10)
print("accuracy (10-fold): ", np.mean(accuracies))

# Features importances
importances = forest.feature_importances_
std = np.std([tree.feature_importances_ for tree in forest.estimators_],
             axis=0)
indices = np.argsort(importances)[::-1]
feature_list = [X.columns[indices[f]] for f in range(X.shape[1])]  #names of features.
ff = np.array(feature_list)

# Print the feature ranking
print("Feature ranking:")

for f in range(X.shape[1]):
    print("%d. feature %d (%f) name: %s" % (f + 1, indices[f], importances[indices[f]], ff[indices[f]]))


# Plot the feature importances of the forest
plt.figure()
plt.rcParams['figure.figsize'] = [16, 6]
plt.title("Feature importances")
plt.bar(range(X.shape[1]), importances[indices],
       color="r", yerr=std[indices], align="center")
plt.xticks(range(X.shape[1]), ff[indices], rotation=90)
plt.xlim([-1, X.shape[1]])
plt.show()


## The new additions to get feature importance to classes: 

# To get the importance according to each class:
def class_feature_importance(X, Y, feature_importances):
    N, M = X.shape
    X = scale(X)

    out = {}
    for c in set(Y):
        out[c] = dict(
            Zip(range(N), np.mean(X[Y==c, :], axis=0)*feature_importances)
        )

    return out

result = class_feature_importance(X, y, importances)
print (json.dumps(result,indent=4))

# Plot the feature importances of the forest

titles = ["Did not Divert", "Diverted"]
for t, i in Zip(titles, range(len(result))):
    plt.figure()
    plt.rcParams['figure.figsize'] = [16, 6]
    plt.title(t)
    plt.bar(range(len(result[i])), result[i].values(),
           color="r", align="center")
    plt.xticks(range(len(result[i])), ff[list(result[i].keys())], rotation=90)
    plt.xlim([-1, len(result[i])])
    plt.show()

コードの2番目の部分

# List of tuples with variable and importance
feature_importances = [(feature, round(importance, 2)) for feature, importance in Zip(feature_list, importances)]
# Sort the feature importances by most important first
feature_importances = sorted(feature_importances, key = lambda x: x[1], reverse = True)
# Print out the feature and importances 
[print('Variable: {:20} Importance: {}'.format(*pair)) for pair in feature_importances]

# list of x locations for plotting
x_values = list(range(len(importances)))
# Make a bar chart
plt.bar(x_values, importances, orientation = 'vertical', color = 'r', edgecolor = 'k', linewidth = 1.2)
# Tick labels for x axis
plt.xticks(x_values, feature_list, rotation='vertical')
# Axis labels and title
plt.ylabel('Importance'); plt.xlabel('Variable'); plt.title('Variable Importances');


# List of features sorted from most to least important
sorted_importances = [importance[1] for importance in feature_importances]
sorted_features = [importance[0] for importance in feature_importances]
# Cumulative importances
cumulative_importances = np.cumsum(sorted_importances)
# Make a line graph
plt.plot(x_values, cumulative_importances, 'g-')
# Draw line at 95% of importance retained
plt.hlines(y = 0.95, xmin=0, xmax=len(sorted_importances), color = 'r', linestyles = 'dashed')
# Format x ticks and labels
plt.xticks(x_values, sorted_features, rotation = 'vertical')
# Axis labels and title
plt.xlabel('Variable'); plt.ylabel('Cumulative Importance'); plt.title('Cumulative Importances');
plt.show()
# Find number of features for cumulative importance of 95%
# Add 1 because Python is zero-indexed
print('Number of features for 95% importance:', np.where(cumulative_importances > 0.95)[0][0] + 1)
pythonmachine-learningscikit-learnrandom-forestbinary-data
7
James Bond

質問は時代遅れかもしれませんが、誰かが興味を持っている場合に備えて：

ソースからコピーしたclass_feature_importance関数は、サンプルの特徴と列として行を使用しますが、ほとんどの人とは逆に使用します。したがって、クラスごとの機能の重要度の計算はうまくいきません。コードをに変更する

Zip（range（M）

それを解決する必要があります。

1
K.Hilbert