特征选择（7）-基于树模型的选择

共计 684 个字符，预计需要花费 2 分钟才能阅读完成。

上一篇文章使用基于模型的方法进行特征选择，其中主要描述了使用正则项、lasso等方法实现的特征选择，这篇文章是这个主题的最后一篇，主要是通过树模型来选择特征。

常见的决策树模型原理基本知道，从单棵树到多棵树，过渡到随机森林和GBDT,这些在实际中都有很大用途，尤其是在陈天奇博士的xgboost中，完全将决策树提升到一个新的层次。

sklearn函数剖析

from sklearn.ensemble import  ExtraTreesClassifier
tree=ExtraTreesClassifier()
tree.fit(irisdata.data,irisdata.target)
SelectFromModel(tree,prefit=True).transform(irisdata.data)

输出

array([[ 1.4,  0.2],
       [ 1.4,  0.2],
       [ 1.3,  0.2],
       [ 1.5,  0.2],
       [ 1.4,  0.2],
       [ 1.7,  0.4],
       [ 1.4,  0.3],
       [ 1.5,  0.2],

当然也可以使用GBDT来作为estimator

from sklearn.ensemble import  GradientBoostingClassifier
gb=GradientBoostingClassifier()
SelectFromModel(gb).fit_transform(irisdata.data,irisdata.target)

输出

array([[ 1.4,  0.2],
       [ 1.4,  0.2],
       [ 1.3,  0.2],
       [ 1.5,  0.2],
       [ 1.4,  0.2],
       [ 1.7,  0.4],
       [ 1.4,  0.3],