我正在尝试为给定的数据集选择重要的功能（或至少了解哪些功能可以解释更多的可变性）。为此，我同时使用ExtraTreesClassifier和GradientBoostingRegressor-然后使用：-
clf = ExtraTreesClassifier(n_estimators=10,max_features='auto',random_state=0) # stops after 10 estimation passes, right ?
clf.fit(x_train, y_train)
feature_importance=clf.feature_importances_ # does NOT work - returns NoneType for feature_importance
发布之后，我真的很想对它们进行绘图（以视觉表示）-甚至是初步的，只是查看重要性的相对顺序和相应的索引
# Both of these do not work as the feature_importance is of NoneType
feature_importance = 100.0 * (feature_importance / feature_importance.max())
indices = numpy.argsort(feature_importance)[::-1]
我感到困惑的是-如果我按如下方式使用GradientBoostingRegressor，我的确会获得feature_importance及其索引。我究竟做错了什么 ？
#Works with GradientBoostingRegressor
params = {'n_estimators': 100, 'max_depth': 3, 'learning_rate': 0.1, 'loss': 'lad'}
clf = GradientBoostingRegressor(**params).fit(x_train, y_train)
clf.fit(x_train, y_train)
feature_importance=clf.feature_importances_
其他信息：我有12个独立vars（x_train）和一个标签var（y_train）），具有多个值（例如4,5,7），并且type（x_train）是，type（feature_importance）是
致谢：这篇文章http://www.tonicebrian.com/2012/11/05/training-gradient-boosting-trees-with-python/借用了一些元素
最佳答案
初始化ExtraTreeClassifier时，会有一个compute_importances选项，默认为None。换句话说，您需要将ExtraTreeClassifier初始化为
clf = ExtraTreesClassifier(n_estimators=10,max_features='auto',random_state=0,compute_importances=True)
以便计算功能重要性。
至于GradientBoostedRegressor，没有这样的选项，并且将始终计算特征重要性。