问题描述
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，该方法可以量化变量的重要性，然后预测结果。但是，我对与随机森林或类似方法一起使用的数据的性质存在疑问。下面提供了一个数据结构示例，您可以看到时间序列中的某些变量（如人口和年龄）不会随时间变化，尽管不同城市之间有所不同。而其他变量（例如温度和#internet用户）则随时间在城市中变化。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。
解决方法
“如何量化重要性”是非常常见的问题，也称为“功能重要性”。
功能的重要性取决于您的模型；通过回归，您会非常重视系数，在随机森林中，您可以使用（但有些人不建议使用）内置feature_importances_或更好的SHAP值。此外，您还可以使用som相关，即特征与目标之间的Spearman / Pearson相关性。
不幸的是，这里没有“免费午餐”，您需要根据使用目的，数据的外观等来决定。
我认为您遇到的人可能是Boruta，您可以在其中混排变量，将其添加到数据集中，然后根据随机森林中的“最佳混排变量”创建阈值。
,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（Random Forest是许多现有分类器之一），以预测说“在[25-94,95-105,106-150]中为Y”。您将在这里有 三种不同的结果 ，它们相互排除。 （如果更适合您的应用，则可以使用95和105以外的其他间隔限制。
正如您所解释的，您的一些预测变量是时间序列，而其他则是恒定的。您应该使用滑动窗口技术，其中分类器根据与时间相关的变量（例如1月）预测“ Y”。某些变量是常量并不重要，因为实际变量'City'具有四个结果：'[City_1，City_2，City_3，City_4]'。同样，使用“人口”和“年龄平均值”作为实际变量。
一旦使用分类器，就会开发出许多用于特征排名和特征选择的方法。您可以使用insight classifiers之类的网络服务来为您完成此操作，也可以下载诸如Weka之类的软件包。
关键是要组织模型及其预测变量，以便分类器可以正确学习。
,如果城市和月份也是您的自变量，则应将它们从索引转换为列。使用熊猫读取文件，然后使用df.reset_index（）可以为您完成这项工作。