Импортирование необходимых библиотек import pandas as pd from sklearn.modelselection…
- User
Импортирование необходимых библиотек
import pandas as pd from sklearn.model_selection import train_test_split from sklearn.ensemble import RandomForestRegressor from sklearn.metrics import mean_absolute_error
Загрузка набора данных
url = ("train_V2.csv") data = pd.read_csv(url)
Удаление строк с пропущенными значениями
data.dropna(inplace=True)
Определение признаков и целевой переменной
X = data.drop(['Id', 'groupId', 'matchId', 'winPlacePerc'], axis=1) y = data['winPlacePerc']
Преобразование категориальных признаков в числовые
X = pd.get_dummies(X, columns=['matchType'])
Разделение данных на обучающую и тестовую выборки
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
Ваш код
Обучение модели случайного леса
lms = RandomForestRegressor(n_estimators=100, random_state=42) lms.fit(X_train, y_train)
Оценка производительности модели на тестовой выборке
y_pred = lms.predict(X_test) mae = mean_absolute_error(y_test, y_pred) print("Mean Absolute Error:", mae)
Определение важности признаков на тестовой выборке
importances = lms.feature_importances_
#Сортировка по убыванию feat_importances = pd.Series(importances, index=X.columns) feat_importances_sorted = feat_importances.sort_values(ascending=False)
Визуализация важности признаков
plt.figure(figsize=(12,8)) ax = feat_importances_sorted.plot(kind="bar") plt.title("Важность функции", color="red") plt.ylabel("Важность", color="red") plt.xlabel("Особенности", color="red") plt.show() дать зеленый цвет столбикам
- Assistant
Импортирование необходимых библиотек
import pandas as pd from sklearn.model_selection import train_test_split from sklearn.ensemble import RandomForestRegressor from sklearn.metrics import mean_absolute_error import matplotlib.pyplot as plt
Загрузка набора данных
url = ("train_V2.csv") data = pd.read_csv(url)
Удаление строк с пропущенными значениями
data.dropna(inplace=True)
Определение признаков и целевой переменной
X = data.drop(['Id', 'groupId', 'matchId', 'winPlacePerc'], axis=1) y = data['winPlacePerc']
Преобразование категориальных признаков в числовые
X = pd.get_dummies(X, columns=['matchType'])
Разделение данных на обучающую и тестовую выборки
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
Обучение модели случайного леса
lms = RandomForestRegressor(n_estimators=100, random_state=42) lms.fit(X_train, y_train)
Оценка производительности модели на тестовой выборке
y_pred = lms.predict(X_test) mae = mean_absolute_error(y_test, y_pred) print("Mean Absolute Error:", mae)
Определение важности признаков на тестовой выборке
importances = lms.feature_importances_
Сортировка по убыванию
feat_importances = pd.Series(importances, index=X.columns) feat_importances_sorted = feat_importances.sort_values(ascending=False)
Визуализация важности признаков
plt.figure(figsize=(12,8)) ax = feat_importances_sorted.plot(kind="bar", color="green") plt.title("Важность функции", color="red") plt.ylabel("Важность", color="red") plt.xlabel("Особенности", color="red") plt.show()