Machine learning 如何推导二元分类问题中的主要影响因素
我有一个二进制分类问题，大约有30个特性和一个最终的通过/失败标签。我首先训练了一个分类器，使其能够预测新实例是通过还是失败，但现在我想获得更深入的理解 我怎样才能根据这些项目的特征得出它们通过或失败的原因分析？理想情况下，我希望能够通过与每个因素相关联的权重来显示最大的影响因素。更复杂的是，我的特征在统计上并不一定相互独立。我应该研究什么样的方法，什么样的关键字将为我指明正确的方向Machine learning 如何推导二元分类问题中的主要影响因素,machine-learning,classification,data-science,decision-tree,feature-selection,Machine Learning,Classification,Data Science,Decision Tree,Feature Selection,我有一个二进制分类问题，大约有30个特性和一个最终的通过/失败标签。我首先训练了一个分类器，使其能够预测新实例是通过还是失败，但现在我想获得更深入的理解 我怎样才能根据这些项目的特征得出它们通过或失败的原因分析？理想情况下，我希望能够通过与每个因素相关联的权重来显示最大的影响因素。更复杂的是，我的特征在统计上并不一定相互独立。我应该研究什么样的方法，什么样的关键字将为我指明正确的方向 一些初步想法：使用决策树分类器（ID3或CART）并查看树顶部的顶部因素。我不确定这种方法会有多强，而且目前还不
一些初步想法：使用决策树分类器（ID3或CART）并查看树顶部的顶部因素。我不确定这种方法会有多强，而且目前还不清楚如何分配每一个因素的重要性（一个只会得到一个有序的列表）。 < P>如果我正确地理解了你的目标，你可能想考虑一个。随机森林的优势在于，通过算法的工作方式，自然地为特征提供了重要性 在Python的scikit learn中，查看
sklearn.employee.RandomForestClassifier（）feature\u importances\u或者，您可以使用R的软件包。构建模型后，您可以使用
importance（）