pyspark.ml随机森林模型要素重要性结果是否为空？

我正在

pyspark.ml

中训练

RandomForestClassifier

，当试图通过估计器的

featureImportances

属性获取训练模型的特征重要性时，我在返回的元组中没有看到特征指数或重要性权重：

(37,[],[])

我期待着像

(37,[<feature indices>],[<feature importance weights>])

(<size>, <list of non-zero indices>, <list of non-zero values associated with the indices>)

（37，[]，[]）

…（当然没有，只是完全空白）。这是奇怪的b/c它似乎认识到有37个功能，但在其他列表中没有任何信息。中的任何内容似乎都无法解决这一问题

---

这里会发生什么？

TLDR：稀疏向量通常以特定的方式表示。如果稀疏向量打印为空，则可能意味着稀疏向量中的所有值都为零

检查/打印变压器的

功能重要性

属性的

类型

，我们可以看到它是一个。在大多数情况下，当打印稀疏向量时，您会看到类似于

(37,[<feature indices>],[<feature importance weights>])

(<size>, <list of non-zero indices>, <list of non-zero values associated with the indices>)

---

因此，如果你得到一个稀疏向量，如

（，[]，[]）

，用于你的

功能重要性（我很确定），这意味着估计器没有发现你的任何功能特别重要（即，遗憾的是，你/我选择的功能不是很好（至少从估计器的POV来看），需要进行更多的数据分析）.
供参考的相关问题：，