应用 PCA 减少特征数量后，我使用 DecisionTreeClassifier 解决 ML 问题
另外我想计算feature_importances_。但是，随着 DecisionTreeClassifier 的每次迭代，feature_importances_ 都会发生变化。
迭代 #1
迭代 #2
为什么会改变？我认为最初的拆分是针对“产生最纯粹的子集（按其大小加权）”的功能进行的。作用于相同的训练集，为什么会改变？
提前感谢您的帮助。
为什么特征重要性会随着决策树分类器的每次迭代而变化？
数据挖掘
机器学习
分类
特征选择
决策树
2022-02-23 11:36:42
1个回答
从sklearn.tree.DecisionTreeClassifier帮助：
每次拆分时，特征总是随机排列。因此，即使在相同的训练数据和 max_features=n_features 的情况下，如果在搜索最佳拆分期间列举的几个拆分的标准改进相同，则找到的最佳拆分可能会有所不同。为了在拟合期间获得确定性行为，必须固定 random_state。
另外，您可能想看看我对功能重要性的评论。
其它你可能感兴趣的问题