您可以使用原始数据和随机森林模型，计算特征重要性。

组件配置

您可以使用以下任意一种方式，配置随机森林特征重要性组件参数。

方式一：可视化方式

在PAI-Designer（原PAI-Studio）工作流页面配置组件参数。
页签参数描述
字段设置选择特征列输入表中，用于训练的特征列。默认选中除Label外的所有列，为可选项。
选择目标列该参数为必选项。

单击目录图标，在选择字段对话框中，输入关键字搜索列，选中后单击确定。

参数设置并行计算核数并行计算的核心数，可选。
每个核内存大小每个核的内存大小，单位为MB，可选。

方式二：PAI命令方式

使用PAI命令方式，配置该组件参数。您可以使用SQL脚本组件进行PAI命令调用，详情请参见SQL脚本。
pai -name feature_importance -project algo_public
    -DinputTableName=pai_dense_10_10
    -DmodelName=xlab_m_random_forests_1_20318_v0
    -DoutputTableName=erkang_test_dev.pai_temp_2252_20319_1
    -DlabelColName=y
    -DfeatureColNames="pdays,previous,emp_var_rate,cons_price_idx,cons_conf_idx,euribor3m,nr_employed,age,campaign,poutcome"
    -Dlifecycle=28 ;
参数名称是否必选描述默认值
inputTableName是输入表的名称无
outputTableName是输出表的名称无
labelColName是输入表的标签列名无
modelName是输入的模型名称无
featureColNames否输入表选择的特征列除Label外的所有列
inputTablePartitions否输入表选择的分区名称选择全表
lifecycle否输出表的生命周期不设置
coreNum否核心数自动计算
memSizePerCore否内存数自动计算

示例

  1. 使用SQL语句，生成训练数据。
    drop table if exists pai_dense_10_10;
create table if not exists pai_dense_10_10 as
select
    age,campaign,pdays, previous, poutcome, emp_var_rate, cons_price_idx, cons_conf_idx, euribor3m, nr_employed, y
from  bank_data limit 10;
  2. 构建如下实验，详情请参见算法建模。
    数据源为pai_dense_10_10，y为随机森林的标签列，其它列为特征列。强制转换列选择age和campaign，表示将这两列作为枚举特征处理，其它使用默认参数。算法建模
  3. 运行实验，查看预测结果。结果
  4. 运行完成后，右键单击随机森林特征重要性组件，选择查看分析报告，查看结果。分析报告