我正在尝试为给定的数据集选择重要的特征（或至少了解哪些特征解释了更多的变异性）。为此，我使用ExtraTreesClassifier和GradientBoostingRegressor - 然后使用： -
clf = ExtraTreesClassifier(n_estimators=10,max_features='auto',random_state=0) # stops after 10 estimation passes, right ?
clf.fit(x_train, y_train)
feature_importance=clf.feature_importances_ # does NOT work - returns NoneType for feature_importance
发布此我真的很感兴趣绘制它们（用于直观表示） - 或者甚至是初步的，只需查看重要性的相对顺序和相应的索引
# Both of these do not work as the feature_importance is of NoneType
feature_importance = 100.0 * (feature_importance / feature_importance.max())
indices = numpy.argsort(feature_importance)[::-1]
我发现令人费解的是 - 如果我使用GradientBoostingRegressor如下，我会得到feature_importance及其索引。我做错了什么？
#Works with GradientBoostingRegressor
params = {'n_estimators': 100, 'max_depth': 3, 'learning_rate': 0.1, 'loss': 'lad'}
clf = GradientBoostingRegressor(**params).fit(x_train, y_train)
clf.fit(x_train, y_train)
feature_importance=clf.feature_importances_
其他信息：我有12个独立变量（x_train）和一个标签var（y_train）），有多个值（比如4,5,7）和类型（x_train）是和类型（feature_importance ）是
致谢：从这篇文章中借用了一些元素http://www.tonicebrian.com/2012/11/05/training-gradient-boosting-trees-with-python/
答案 0 :(得分：3)
初始化ExtraTreeClassifier时，有一个选项compute_importances，默认为None。换句话说，您需要将ExtraTreeClassifier初始化为
clf = ExtraTreesClassifier(n_estimators=10,max_features='auto',random_state=0,compute_importances=True)
以便计算特征重要性。
对于GradientBoostedRegressor，没有这样的选项，并且将始终计算特征重要性。