Python 额外树分类器缺少参数y

所以我试图实现额外的树分类器，以便在我的数据库中找到参数的重要性，我写了这段简单的代码，但出于某种原因，我一直得到这个错误

我的代码：

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

%matplotlib inline


from sklearn.ensemble import ExtraTreesClassifier 



df = pd.read_csv('C:\\Users\\ali97\\Desktop\\Project\\Database\\5-FINAL2\\Final After Simple Filtering.csv')

extra_tree_forest = ExtraTreesClassifier(n_estimators = 5,  criterion ='entropy', max_features = 2) 

extra_tree_forest.fit(df)

feature_importance = extra_tree_forest.feature_importances_ 

feature_importance_normalized = np.std([tree.feature_importances_ for tree in extra_tree_forest.estimators_], axis = 1)

plt.bar(X.columns, feature_importance_normalized) 
plt.xlabel('Lbale') 
plt.ylabel('Feature Importance') 
plt.title('Parameters Importance') 
plt.show() 

错误：

TypeError                                 Traceback (most recent call last)
<ipython-input-7-4aad8882ce6d> in <module>
     16 extra_tree_forest = ExtraTreesClassifier(n_estimators = 5,  criterion ='entropy', max_features = 2)
     17 
---> 18 extra_tree_forest.fit(df)
     19 
     20 feature_importance = extra_tree_forest.feature_importances_

TypeError: fit() missing 1 required positional argument: 'y'

TypeError回溯（最近一次调用）
在里面
16额外的树森林=额外的树分类（n_估计值=5，标准='熵'，最大特征=2）
17
--->18额外的树木森林。适合（df）
19
20特征重要性=额外的树。特征重要性_
TypeError:fit（）缺少1个必需的位置参数：“y”

---

谢谢

通常，对于fit函数，我们需要同时具有属性（X）和标签（Y），并且您需要使用

额外的树\u forest.fit（X，Y）

来训练此分类器。 我建议您拆分标签和属性，并在导入时将它们作为两个单独的列表导入

---

Final After Simple filter.csv

通常，对于fit函数，我们需要同时具有属性（X）和标签（Y），并且您需要使用

extra_tree_forest.fit（X，Y）

来训练此分类器。 我建议您拆分标签和属性，并在导入时将它们作为两个单独的列表导入

---

Final After Simple Filtering.csv

因此我不能一次将其应用于整个数据帧而不是拆分数据库？您可以在此处执行类似操作（例如，如果您有10列X，其余为标签）：X=data.iloc[：，0:10]Y=data.iloc[：，10:-1]您不能一次对整个数据应用fit函数。我尝试了iloc，得到“ValueError:至少需要一个数组或数据类型”标签（Y）列中可能有空格。请查看CSV文件并删除该列中的任何空格。因此，我不能将其立即应用于整个数据帧，而不是拆分数据库？您可以在此处执行类似操作（例如，如果有10列X，其余为标签）：X=data.iloc[：，0:10]Y=data.iloc[：，10:-1]您不能一次对整个数据应用fit函数。我尝试了iloc，得到“ValueError:至少需要一个数组或数据类型”标签（Y）列中可能有空格。请查看CSV文件并删除该列中的任何空格。