我试图了解一些自变量之间的基本原理，并量化它们对因变量的重要性。我遇到了诸如随机森林之类的方法，它可以量化变量的重要性，然后预测结果。但是，我对要与随机森林或类似方法一起使用的数据的性质有疑问。下面提供了一个数据结构示例，正如您所见，时间序列有一些变量，例如人口和年龄，它们不会随时间变化，尽管不同城市之间存在差异。而温度和#internet 用户等其他变量随着时间和城市内部的变化而变化。我的问题是：如何量化这些变量对“Y”变量的重要性？顺便说一句，我更喜欢在 python 环境中应用该方法。
【问题讨论】：
标签： python machine-learning random-forest
我的想法如下。您的结果变量“Y”只有几个可能的值。您可以构建一个分类器（随机森林是许多现有分类器之一），以预测说“Y in [25-94,95-105,106-150]”。您将在此处获得三种不同的结果，它们相互排除。 （除95 和105 之外的其他间隔限制也是可能的，如果这更适合您的应用程序）。
正如您所解释的，您的一些预测变量是时间序列，而其他预测变量是恒定的。您应该使用滑动窗口技术，您的分类器根据与时间相关的变量预测“Y”，例如 1 月份。一些变量是常数并不重要，因为实际变量“City”有四个结果：“[City_1,City_2,City_3,City_4]”。同样，使用 'Population' 和 'Age_mean' 作为实际变量。
一旦您使用分类器，就会开发出许多特征排名和特征选择的方法。您可以使用像 insight classifiers 这样的网络服务来为您完成这项工作，或者为此下载像 Weka 这样的软件包。
关键是您要组织模型及其预测变量，以便分类器可以正确学习。
【讨论】：
“我如何量化重要性”是非常常见的问题，也称为“特征重要性”。
特征重要性取决于您的模型；通过回归，您的系数很重要，在随机森林中，您可以使用（但有些人不推荐）内置 feature_importances_ 或更好的 SHAP-values。此外，您还可以使用 som correlaion，即您的特征和目标之间的 Spearman/Pearson 相关性。
不幸的是，没有“免费午餐”，您需要根据自己的用途、数据的外观等来决定。
我认为您遇到的可能是 Boruta，您可以在其中打乱变量，将它们添加到数据集中，然后根据随机森林中的“最佳打乱变量”创建阈值。
【讨论】：
如果城市和月份也是您的自变量，您应该将它们从索引转换为列。使用 pandas 读取您的文件，然后使用 df.reset_index() 可以为您完成这项工作。
【讨论】：