Python 2.7 功能_重要性_在ExtraTreesClassifier中显示为非类型：TypeError:“非类型”对象不可编辑

我试图选择重要的特征，或者至少理解哪些特征解释了给定数据集的更多变化。为此，我使用了树外分类器和梯度增强回归器，然后使用：-

clf = ExtraTreesClassifier(n_estimators=10,max_features='auto',random_state=0) # stops after 10 estimation passes, right ?
clf.fit(x_train, y_train)
feature_importance=clf.feature_importances_  # does NOT work - returns NoneType for feature_importance

在这篇文章中，我真的很感兴趣的是为视觉表现绘制它们——甚至是初步的，只是看看重要性的相对顺序和相应的指数

我发现令人困惑的是——如果我像下面那样使用GradientBoostingRegressor，我确实得到了特征的重要性及其指数。我做错了什么

#Works with GradientBoostingRegressor
params = {'n_estimators': 100, 'max_depth': 3, 'learning_rate': 0.1, 'loss': 'lad'}
clf = GradientBoostingRegressor(**params).fit(x_train, y_train)
clf.fit(x_train, y_train)
feature_importance=clf.feature_importances_

其他信息：我有12个独立的varsx_序列和一个标签vary_序列，具有多个值，例如4,5,7和typex_序列以及typefeature_重要性

确认：一些元素是从这篇文章中借来的

初始化时，有一个选项compute\u importances默认为None。换句话说，您需要将ExtraTreeClassifier初始化为

以便计算特征重要性

其中，至于，没有这样的选项，将始终计算特征重要性。

初始化时，有一个选项compute\u importances默认为None。换句话说，您需要将ExtraTreeClassifier初始化为

以便计算特征重要性

---

至于，没有这样的选项，将始终计算特征重要性。

用于获取计算重要性数组-谢谢您和+1。你能谈谈如何选择n_估计量吗？在scikit学习文档中，关于这方面的信息很少——我可以随机化一下，看看哪一个符合拟合优度吗？在确定良好拟合时，您可能希望监控验证集上的预测误差，而不是训练集上的误差，以避免过度拟合。例如，您可以尝试增加迭代次数，训练错误应不断减少-但在验证错误开始增加时停止。ExtraTreeClassifier的compute_importances for ExtraTreeClassifier在较新版本中，不需要任何其他工作来获取compute_importances数组-谢谢您和+1。你能谈谈如何选择n_估计量吗？在scikit学习文档中，关于这方面的信息很少——我可以随机化一下，看看哪一个符合拟合优度吗？在确定良好拟合时，您可能希望监控验证集上的预测误差，而不是训练集上的误差，以避免过度拟合。例如，您可以尝试增加迭代次数，训练错误应该会不断减少，但当验证错误开始增加时，您就会停止。ExtraTreeClassifier的计算重要性在新版本中不再需要

#Works with GradientBoostingRegressor
params = {'n_estimators': 100, 'max_depth': 3, 'learning_rate': 0.1, 'loss': 'lad'}
clf = GradientBoostingRegressor(**params).fit(x_train, y_train)
clf.fit(x_train, y_train)
feature_importance=clf.feature_importances_

clf = ExtraTreesClassifier(n_estimators=10,max_features='auto',random_state=0,compute_importances=True)