我是这个数据科学领域的新手。
我有 3D 空间中的点数据，每个点“帮助”一个指标。我有一组点和相应的指标。
数据可能如下所示：
[Pt_set1_1], [Pt_set1_2], [Pt_set1_3], ..., [Pt_set1_20], Metric1, Metric2, Metric3
[Pt_set2_1], [Pt_set2_2], [Pt_set2_3], ..., [Pt_set2_20], Metric1, Metric2, Metric3
我想确定哪些点有助于哪些指标。这个问题可以用数据科学算法解决吗？哪种算法对我有帮助？请告诉我。任何帮助，将不胜感激。
如果我对您的理解正确，您有一组 20 个 3D 点，并且对于每组点，您都有与之关联的三个指标。
是的，绝对有可能了解哪些点对每个指标最具预测性。我建议您拆分数据，使点集位于一个看起来像的 numpy 数组中
x1_1, y1_1, z1_1, x1_2, y1_2, z1_2, ..., x1_20, y1_20, z1_20
x2_1, y2_1, z2_1, x2_2, y2_2, z2_2, ..., x2_20, y2_20, z2_20
...
然后为每个指标创建一个 1D numpy 数组，其中包含每个点集的每个指标的值。然后，您可以使用类似 a 的RandomForestRegressor方法来尝试从这些点单独预测指标。使用该fit(X, y)方法训练随机森林后，您可以通过获取feature_importances_. 例如，像这样：
rf1 = RandomForestRegressor(n_estimators=1000)
rf1.fit(points, metric1)
print(rf1.feature_importances_)
rf2 = RandomForestRegressor(n_estimators=1000)
rf2.fit(points, metric2)
print(rf2.feature_importances_)
rf3 = RandomForestRegressor(n_estimators=1000)
rf3.fit(points, metric3)
print(rf3.feature_importances_)
希望这会为您指明正确的方向！