从Sklearn管道中提取具有特征名称的特征重要性

时间:2019-03-19 22:19:43

标签: python python-3.x scikit-learn pipeline random-forest

我想知道当在带有预处理的管道中使用分类器时,如何从scikit-learn 中使用特征名称从随机森林中提取特征重要性。

这里的问题仅涉及提取特征重要性:How to extract feature importances from an Sklearn pipeline

从我所做的简短研究来看,在scikit-learn中这似乎是不可能的,但是我希望我是错的。

我还找到了一个名为ELI5(https://eli5.readthedocs.io/en/latest/overview.html)的软件包,该软件包可以解决scikit-learn的问题,但是并不能解决我的问题,因为为我输出的功能名称是x1 ,x2等),而不是实际的功能名称。

作为一种解决方法,我在管道之外进行了所有预处理,但是很想知道如何在管道中进行预处理。

如果我可以提供任何有用的代码,请在评论中告诉我。

1 个答案:

答案 0 :(得分:0)

Xgboost有一个示例说明了功能的重要性:

num_transformer = Pipeline(steps=[
                  ('imputer', SimpleImputer(strategy='median')),
                  ('scaler', preprocessing.RobustScaler())])

cat_transformer = Pipeline(steps=[
                  ('imputer', SimpleImputer(strategy='most_frequent')),
                  ('onehot', preprocessing.OneHotEncoder(categories='auto', 
                                     sparse=False, 
                                     handle_unknown='ignore'))])

from sklearn.compose import ColumnTransformer

numerical_columns = X.columns[X.dtypes != 'category'].tolist()
categorical_columns = X.columns[X.dtypes == 'category'].tolist()

pipeline_procesado = ColumnTransformer(transformers=[
            ('numerical_preprocessing', num_transformer, numerical_columns),
       ('categorical_preprocessing', cat_transformer, categorical_columns)],
        remainder='passthrough',
        verbose=True)

# Create the classifier
classifier = XGBClassifier()

# Create the overall model as a single pipeline
pipeline = Pipeline([("transform_inputs", pipeline_procesado), ("classifier", 
classifier)])

pipeline.fit(X_train, y_train)

onehot_columns = pipeline.named_steps['transform_inputs'].named_transformers_['categorical_preprocessing'].named_steps['onehot'].get_feature_names(input_features=categorical_columns)


#you can get the values transformed with your pipeline
X_values = pipeline_procesado.fit_transform(X_train)

df_from_array_pipeline = pd.DataFrame(X_values, columns = numerical_columns + list(onehot_columns) )

feature_importance = pd.Series(data= pipeline.named_steps['classifier'].feature_importances_, index = np.array(numerical_columns + list(onehot_columns)))