这是我的第258篇原创文章。

一、引言

Boruta是一种基于随机森林算法的特征筛选方法。其核心是基于两个思想：随机生成的特征（shadow features）和 不断迭代（循环），它通过循环比较原始特征（real features）和随机生成的特征（shadow features）的重要性来确定哪些特征与因变量相关。它可以应用于任何需要特征选择的监督学习问题，帮助我们确定哪些特征与因变量相关，从而更好地理解数据并建立更准确的预测模型。

二、实现过程

2.1 准备数据

data = pd.read_csv(r'dataset.csv')
df = pd.DataFrame(data)

df：

2.2 数据划分

# 目标变量和特征变量
target = 'target'
features = df.columns.drop(target)
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(df[features], df[target], test_size=0.2, random_state=0)

2.3 创建Boruta对象

基于随机森林分类器创建一个Boruta的选择对象：

model = RandomForestClassifier(n_estimators=100, random_state=0)
feat_selector = BorutaPy(model, n_estimators='auto', verbose=2, random_state=1)
feat_selector.fit(np.array(X_train), np.array(y_train))

2.4 特征选择

1、输出各个特征的重要性排名：

print('\n Feature ranking:')  
print(pd.DataFrame({"feature":features, 'feature_ranking':feat_selector.ranking_}))

2、特征是否被选择：

print('\n Selected features:')
print(pd.DataFrame({"feature":features, 'Selected':feat_selector.support_}))

返回一个布尔类型的数组，代表每个特征是否被选择。如果特征被选择，对应的值为True，否则为False。

3、是否存在一些弱特征被选择：

print('\n Support for weak features:')
print(pd.DataFrame({"feature":features, 'Selected':feat_selector.support_weak_}))

返回一个布尔类型的数组，代表是否存在一些弱特征被选择。如果特征是弱特征且被选择，对应的值为True，否则为False。

作者简介： 读研期间发表6篇SCI数据算法相关论文，目前在某研究院从事数据算法相关研究工作，结合自身科研实践经历持续分享关于Python、数据分析、特征工程、机器学习、深度学习、人工智能系列基础知识与案例。关注gzh：数据杂坛，获取数据和源码学习更多内容。

原文链接：

【Python特征工程系列】使用Boruta算法进行特征重要性分析（案例+源码）