objectif

Entraîner une forêt aléatoire et inspecter les importances.

code minimal

from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import load_iris
X, y = load_iris(return_X_y=True)
rf = RandomForestClassifier(n_estimators=50, random_state=0).fit(X, y)
print(len(rf.feature_importances_) == X.shape[1])

utilisation

print(rf.predict(X[:3]).tolist())

variante(s) utile(s)

from sklearn.ensemble import RandomForestRegressor
print(hasattr(RandomForestRegressor(), "fit"))

notes

• Les importances Gini sont biaisées vers features cardinales.