GridSearchCV 及其特征重要性
GridSearchCV and its feature importance
在 gridsearchCV 中，当我适合时如下所示：
forest_reg = RandomForestRegressor()
grid_search = GridSearchCV(forest_reg, param_grid,cv=5,scoring = 'neg_mean_squared_error')
grid_search.fit(X_train,y_train)
之后，
当我执行这个时，
GridSearch.best_estimator_.feature_importances_
它给出了一个值数组
所以我的问题是 GridSearch.best_estimator_.feature_importances_ 这一行 return 的值是什么？
在您的例子中，GridSearch.best_estimator_.feature_importances_ returns 一个 RandomForestRegressor 对象。
因此，根据RandomForestRegressordocumentation：
feature_importances_ : array of shape = [n_features]
Return the feature importances (the higher, the more important the feature).
换句话说，它 returns 根据您的训练集 X_train 最重要的特征。 feature_importances_ 的每个元素对应于 X_train 的一个特征（例如：feature_importances_ 的第一个元素指的是 X_train 的第一个 feature/column）。
feature_importances_中元素的值越高，X_train中的特征越重要。
在 gridsearchCV 中，当我适合时如下所示：
forest_reg = RandomForestRegressor()
grid_search = GridSearchCV(forest_reg, param_grid,cv=5,scoring = 'neg_mean_squared_error')
grid_search.fit(X_train,y_train)
之后， 当我执行这个时，
GridSearch.best_estimator_.feature_importances_
它给出了一个值数组
所以我的问题是 GridSearch.best_estimator_.feature_importances_ 这一行 return 的值是什么？
在您的例子中，GridSearch.best_estimator_.feature_importances_ returns 一个 RandomForestRegressor 对象。
因此，根据RandomForestRegressordocumentation：
feature_importances_ : array of shape = [n_features] Return the feature importances (the higher, the more important the feature).
换句话说，它 returns 根据您的训练集 X_train 最重要的特征。 feature_importances_ 的每个元素对应于 X_train 的一个特征（例如：feature_importances_ 的第一个元素指的是 X_train 的第一个 feature/column）。
feature_importances_中元素的值越高，X_train中的特征越重要。