大家好，又见面了，我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。
Jetbrains全系列IDE稳定放心使用
1.特征重要性的意义
LR模型也就是逻辑回归模型，作为一个简单的常用的模型，其有非常多的优点，除了模型简单，容易实现分布式，还有一个重要的优点就是模型的可解释性非常好。因为每个特征都对应一个模型参数 w i w_{i} wi，该参数越大，那么该特征对模型预测结果的影响就会越大，我们就说该特征就越重要，因此LR模型的特征重要性评估方式就是 w i w_{i} wi的大小。
2.逻辑回归模型特征重要性及排序
Talk is cheap,Show me the code，直接亮代码
from sklearn import linear_model
import pandas as pd
data_dir = 'dir_name/'
train_data_file = 'train_data_file_name'
test_data_dile = 'test_data_dile_name'
df_train = pd.read_csv(data_dir+train_data_file)
df_test = pd.read_csv(data_dir+test_data_dile)
tr_data = df_train_train.as_matrix()
va_data = df_train_validation.as_matrix()
# 训练数据，每一行的第一列为样本label
tr_x_data = tr_data[:, 1:] # 训练样本特征
tr_y_data = tr_data[:, 0] # 训练样本真实label
mod = linear_model.LogisticRegression()
mod.fit(tr_x_data, tr_y_data)
col_name = list(df_train.columns)[1:]
m = {
}
for i in range(len(col_name)):
m.setdefault(col_name[i], 0)
m[col_name[i]] = mod.coef_[i]
sorted(m.items(), key=lambda x: x[1], reverse=True)
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/184320.html原文链接：https://javaforall.net
![spdlog 个人封装,欢迎使用，共同探讨[通俗易懂]](https://javaforall.net/wp-content/uploads/2020/11/2020110817443450-480x300.jpg)
