在进行机器学习算法中，我们常用的算法就像下面的代码形式类型 经历导入数据-预处理-建模-得分-预测 但是总觉得少了点什么，虽然我们建模的目的是进行预测，但是我们想要知道的另一个信息是变量的重要性，在线性模型中，我们有截距和斜率参数，但是其他机器学习算法，如决策树和随机森林，我们貌似没有这样的参数 值得庆幸的是我们有变量重要性指标feature_importances_，但是就目前而言，这个参数好像只有在决策树和以决策树为基础的算法有。但是考虑到随机森林已经能解决大部分的分类和回归问题，我们就暂且以随机森林算法为例，介绍特征重要性吧

先考虑一个简单的问题 列表中的数据和你元数据的表头是对应的，最大值为1，值越大，越重要 以上只是简单的算法，但是大部分时候，我们会加上交叉验证的网格搜索，那应该怎么办呢 估计算法主题其实就是best_estimator_，再追加特征重要性参数就可以了。注意在这之间要转化为Dataframe,否则会运行错误。

关于其他机器学习算法的特征重要性，大家可以自行寻找其他方法，正在寻找和学习中,需要提醒的是，特征重要性对于变量自相关性不敏感，也就是说，在变量间存在相关性的时候，特征重要性指标可能与实际想要的结果有所偏差，说白了，就是不准。