特征重要性
本课属于 Coddy Machine Learning 学习旅程的“监督学习”单元。第 30 课，共 58 课。
决策树依赖哪些特征？feature_importances_ 给出每个特征在其问题所做的分类中所占的比例，这些比例相加为 1：
将它们整理成 Series 后，就能绘制出排名图。ax.barh 会横向绘制条形，因此较长的名称也能放得下：
imp = pd.Series(tree.feature_importances_, index=iris.feature_names).sort_values()
ax.barh(imp.index, imp.values)0 表示这棵树从未询问过这个特征。萼片仍然可能有影响：花瓣已经告诉这棵树它们会是什么样。
挑战
中等一家冲浪学校想知道，初学者在第一周怎样才能站上冲浪板。程序会读取一个深度值；起始代码会训练一棵达到该深度的树，并设置图表。
- 将重要性按特征整理到一个 Series 中，并按从小到大的顺序排列。
- 打印最重要的特征（保留 3 位小数）以及从未使用过的特征，如下所示。
- 将它们绘制成横向条形图并显示。
对于游泳学校：
Top feature: pool_hours (0.612)
Never asked: ['goggles']然后 Coddy 会描述你的图表。它们的图表如下：
亲手试试
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
depth = int(input())
# 每行对应一位初学者：standing 中的 1 表示他们在第一周内就能站上冲浪板
surf = pd.read_csv("surfschool.csv")
features = ["age", "fitness", "days_surfed", "skated_before", "lesson_hours", "wetsuit_fit"]
X_train, X_test, y_train, y_test = train_test_split(surf[features], surf["standing"], test_size=0.25, random_state=0)
tree = DecisionTreeClassifier(max_depth=depth, random_state=0)
tree.fit(X_train, y_train)
fig, ax = plt.subplots(layout="constrained") # 为较长的名称留出空间
ax.set_title("What Gets Beginners Standing?")
ax.set_xlabel("Importance")
# 在下方编写你的代码
自我测试这节课包含一个小测验。开始学习即可作答，并记录你的进度。
监督学习中的所有课
自己练习： Python 在线编译器