从 RandomForestClassifier 解释特征重要性值

Question

我是机器学习的初学者，我无法解释我从第一个程序中获得的一些结果。这是设置：

我有一个书评数据集。这些书可以在大约 1600 本书中使用任意数量的限定词进行标记。审阅这些书籍的人也可以用这些限定词标记自己，以表明他们喜欢阅读带有该标记的东西。

数据集为每个限定符都有一列。对于每条评论，如果给定的限定词用于标记书籍和评论者，则记录值为 1。如果给定评论中的给定限定词没有“匹配”，则记录值为 0。

还有一个“分数”列，其中包含每个评论的 1-5 整数（该评论的“星级”）。我的目标是确定哪些功能对获得高分最重要。

这是我现在拥有的代码（https://gist.github.com/souldeux/99f71087c712c48e50b7）：

def determine_feature_importance(df):
    #Determines the importance of individual features within a dataframe
    #Grab header for all feature values excluding score & ids
    features_list = df.columns.values[4::]
    print "Features List: \n", features_list

    #set X equal to all feature values, excluding Score & ID fields
    X = df.values[:,4::]

    #set y equal to all Score values
    y = df.values[:,0]

    #fit a random forest with near-default paramaters to determine feature importance
    print '\nCreating Random Forest Classifier...\n'
    forest = RandomForestClassifier(oob_score=True, n_estimators=10000)
    print '\nFitting Random Forest Classifier...\n'
    forest.fit(X,y)
    feature_importance = forest.feature_importances_
    print feature_importance

    #Make importances relative to maximum importance
    print "\nMaximum feature importance is currently: ", feature_importance.max()
    feature_importance = 100.0 * (feature_importance / feature_importance.max())
    print "\nNormalized feature importance: \n", feature_importance
    print "\nNormalized maximum feature importance: \n", feature_importance.max()
    print "\nTo do: set fi_threshold == max?"
    print "\nTesting: setting fi_threshhold == 1"
    fi_threshold=1

    #get indicies of all features over fi_threshold
    important_idx = np.where(feature_importance > fi_threshold)[0]
    print "\nRetrieved important_idx: ", important_idx

    #create a list of all feature names above fi_threshold
    important_features = features_list[important_idx]
    print "\n", important_features.shape[0], "Important features(>", fi_threshold, "% of max importance:\n", important_features

    #get sorted indices of important features
    sorted_idx = np.argsort(feature_importance[important_idx])[::-1]
    print "\nFeatures sorted by importance (DESC):\n", important_features[sorted_idx]

    #generate plot
    pos = np.arange(sorted_idx.shape[0]) + .5
    plt.subplot(1,2,2)
    plt.barh(pos,feature_importance[important_idx][sorted_idx[::-1]],align='center')
    plt.yticks(pos, important_features[sorted_idx[::-1]])
    plt.xlabel('Relative importance')
    plt.ylabel('Variable importance')
    plt.draw()
    plt.show()

    X = X[:, important_idx][:, sorted_idx]


    return "Feature importance determined"

我成功地生成了一个情节，但老实说，我不确定情节的含义。据我了解，这向我展示了任何给定特征对分数变量的影响有多大。但是，我意识到这一定是一个愚蠢的问题，我怎么知道影响是积极的还是消极的？

Answer 1

总之你没有。决策树（随机森林的构建块）不能以这种方式工作。如果您使用线性模型，那么特征是“正”还是“负”的区别非常简单，因为它对最终结果的唯一影响是添加（带权重）。而已。然而，决策树的集合对于每个特征可以有任意复杂的规则，例如“如果书有红色封面并且有超过 100 页，那么如果它包含龙，它会得到高分”但是“如果书有蓝色封面并且超过 100页然后如果它包含龙，它会得到低分”等等。

特征重要性只让你知道哪些特征有助于决策，而不是“哪种方式”，因为有时它会起作用，有时会起作用。

你可以做什么？您可以添加一些极端的简化 - 假设您只对完全没有其他功能的功能感兴趣，现在 - 一旦您知道哪些是重要的，您就可以计算此功能在每个类中的次数（您的情况下的分数）。这样你就会得到分布

P(gets score X|has feature Y)

如果它具有（在边缘化后）正面或负面影响，它将或多或少地显示给您。