### 绘制随机森林特征重要性的代码示例 以下是基于Python的随机森林模型绘制特征重要性的代码示例。此代码利用`scikit-learn`库来训练随机森林分类器，并通过matplotlib可视化特征的重要性。 ```python import numpy as np import matplotlib.pyplot as plt from sklearn.datasets import load_iris from sklearn.ensemble import RandomForestClassifier # 加载数据集 data = load_iris() X = data.data y = data.target feature_names = data.feature_names # 训练随机森林模型 rf_model = RandomForestClassifier(n_estimators=100, random_state=42) rf_model.fit(X, y) # 获取特征重要性 importances = rf_model.feature_importances_ indices = np.argsort(importances)[::-1] # 可视化特征重要性 plt.figure(figsize=(10, 6)) plt.title("Feature Importances in Random Forest", fontsize=16) plt.bar(range(X.shape[1]), importances[indices], align="center") plt.xticks(range(X.shape[1]), [feature_names[i] for i in indices], rotation=90) plt.tight_layout() plt.show() ``` 上述代码展示了如何加载Iris数据集，构建随机森林分类器，并提取和绘制定量化的特征重要性[^3]。 如果需要进一步扩展到R语言中的实现方式，则可以采用如下方法： ```r library(randomForest) library(ggplot2) # 使用内置鸢尾花数据集 data(iris) # 构建随机森林模型 set.seed(42) rf_model <- randomForest(Species ~ ., data = iris, importance = TRUE) # 提取变量重要性 importance_df <- data.frame( Feature = rownames(rf_model$importance), Importance = rf_model$importance[, "MeanDecreaseGini"] ) # 绘制条形图展示特征重要性 ggplot(importance_df, aes(reorder(Feature, Importance), Importance)) + geom_bar(stat = "identity", fill = "steelblue") + coord_flip() + labs(title = "Random Forest Variable Importance", x = "Features", y = "Importance Score") + theme_minimal() ``` 以上代码片段实现了在R环境中使用`randomForest`包建立随机森林模型，并借助`ggplot2`完成特征重要性的图形表示[^4]。 #### 注意事项 - 特征重要性可以通过多种指标衡量，在这里我们选择了基尼指数作为评估标准。 - 数据预处理阶段可能因具体应用场景而异，需根据实际情况调整输入参数或清洗策略。