Python 多输出随机森林回归器中特征重要性的获取

我有一个多输出随机森林回归器，我想计算它的特征重要性

正如在另一个问题中读到的，有人说要计算估计器的特征重要性。我没有定义任何估计器，正如你在下面看到的，我不知道它创建了多少。这（出于某种原因）没有引发异常，但在运行下面的代码后，它表示object MultiOutputRegressor没有估计器，但它对RFR有估计器。如果我试图访问模型列表中的原始RFR，我会得到异常“tuple没有属性特征重要性”

此代码抛出一个

multioutput object has no attribute feature importance

m4=MultiOutputRegressor（RandomForestRegressor（））
m5=m4.估计量[0]
feature_importances=pd.DataFrame（m4.feature_importances，index=X_train.columns，columns=['importances']）。排序_值（'importances'））
打印（功能和重要性）
要素_importances.plot（种类='barh'）

此代码返回

tuple object has no feature importance

m4=型号[5]
#m5=m4.估计量[0]
feature_importances=pd.DataFrame（m4.feature_importances，index=X_train.columns，columns=['importances']）。排序_值（'importances'））
打印（功能和重要性）
要素_importances.plot（种类='barh'）

我以前只处理过分类问题，我希望能够以类似的方式显示特征的重要性

m5 = m4.estimator[0]

将

.estimator[0]

替换为

.estimator[0]

并将

m4.功能重要性

替换为

m5.功能重要性

打完电话

m4 = MultiOutputRegressor(RandomForestRegressor())

---

您应该使用

m4.fit（array1，array2）

来拟合一些数组，您可以通过调用

m4.estimators来查看估计器。然后，您可以更进一步，通过执行
m4.estimators\u0]。feature\u importances\uu
嗨，Axis，非常感谢！我试试看。问题是，这个模型以前是声明、训练和验证的。这就是为什么我认为，由于模型是与其他模型同时训练和声明的（我正在对它们进行比较）。我就不必再创造这个世界了object@LaurySorto如果您想在模型之间进行比较，您必须使用训练数据重新创建和重新安装