使用Pandas构建Random Forest回归模型后，如何获取系数或模型摘要？

随机森林属于树集成模型，没有线性回归那样的回归系数，但你可以通过获取特征重要性来理解模型的决策逻辑，同时结合模型参数、评估指标生成类似“模型摘要”的内容，具体步骤如下：

1. 获取特征重要性 #

随机森林的特征重要性是基于每棵树分裂时的不纯度降低（比如回归任务中的MSE减少量）计算的，数值越高代表该特征对模型预测的贡献越大。用sklearn实现的代码如下：

import pandas as pd
from sklearn.ensemble import RandomForestRegressor

# 假设你已经训练好模型rf_model，特征数据集为X
feature_importance_df = pd.DataFrame({
    '特征名称': X.columns,
    '重要性得分': rf_model.feature_importances_
}).sort_values(by='重要性得分', ascending=False)

# 打印排序后的特征重要性
print(feature_importance_df)

2. 生成完整的模型摘要 #

结合你已有的评估指标、模型参数和特征重要性，可以整理成结构化的模型摘要：

# 整理模型参数、指标和特征重要性
model_summary = {
    '模型类型': '随机森林回归器',
    '核心参数': rf_model.get_params(),  # 获取训练时设置的所有参数（如n_estimators、max_depth等）
    '评估指标': {
        'explained_variance': 0.3134,
        'mean_squared_log_error': 0.7102,
        'r2': 0.3132,
        'MAE': 7.014,
        'MSE': 135.231,
        'RMSE': 11.6289
    },
    '特征重要性排序': feature_importance_df.to_dict('records')
}

# 格式化打印摘要
import json
print(json.dumps(model_summary, ensure_ascii=False, indent=4))

补充说明 #

如果需要更深入的模型解释，还可以：

• 用sklearn.tree.plot_tree(rf_model.estimators_[0])可视化随机森林中的单棵决策树
• 使用SHAP或LIME工具生成样本级的特征贡献解释，不过这属于进阶的可解释性分析方法

内容的提问来源于stack exchange，提问作者Ofir Yosef