random-forest-importances:用于在Python scikit学习模型中计算置换和左列重要性的代码

scikit学习机器学习模型的功能重要性 由和 。 有关更多内容，请参见 。 scikit-learn随机森林特征重要性策略是杂质（或基尼重要性）机制的平均降低，这是不可靠的。 为了获得可靠的结果，请使用src目录中rfpimp软件包中提供的置换重要性。 安装方式： pip install rfpimp 我们包括适用于任何sklearn模型的置换和落差重要性度量。 是的， rfpimp是一个越来越不适合使用的名称，但我们仍然喜欢它。 描述 有关中的要素重要性问题的更深入讨论，请参见（由 ， ， 和撰写）。 通过在随机森林中创建决策树时，通过测量特征在减少不确定性（分类器）或方差（回归因子）方面的有效性来计算特征的平均杂质减少重要性。 问题在于，这种机制虽然快速，但并不总能准确地显示出重要性。 Strobl等人在《指出了，“在潜在的预测变量的测量规模变化的情况下，Beiman原始随