scientific-feature-importance

name	scientific-feature-importance
description	特徴量重要度分析のスキル。Tree-based Feature Importance と Permutation Importance を 用いて予測モデルの説明可能性を向上させる際に使用。 Scientific Skills Exp-05, 12, 13 で確立したパターン。
tu_tools	[{"key":"openml","name":"OpenML","description":"特徴量選択ベンチマーク参照"}]

Scientific Feature Importance Analysis

機械学習モデルの「どの特徴量が予測に最も寄与しているか」を定量化するスキル。 Tree-based Importance（MDI）と Permutation Importance の 2 手法を併用して ロバストな解釈を提供する。

When to Use

• 機械学習モデルの予測結果を解釈したいとき
• どのプロセスパラメータが最も影響力を持つか知りたいとき
• 特徴量選択の根拠が必要なとき
• 複数ターゲット変数に対する重要度の比較

Quick Start

標準パイプライン

1. Tree-based Feature Importance（MDI）

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

def tree_feature_importance(model, feature_names, target_name,
                            top_n=10, figsize=(10, 6)):
    """
    Tree ベースモデルの .feature_importances_ を取得して棒グラフで描画する。
    RandomForest, GradientBoosting, ExtraTrees に対応。
    """
    importances = model.feature_importances_
    fi_df = pd.DataFrame({
        "Feature": feature_names,
        "Importance": importances,
    }).sort_values(, ascending=)

    fig, ax = plt.subplots(figsize=figsize)
    top = fi_df.head(top_n)
    ax.barh(((top)), top[].values[::-],
            color=, edgecolor=)
    ax.set_yticks(((top)))
    ax.set_yticklabels(top[].values[::-])
    ax.set_xlabel()
    ax.set_title(, fontweight=)
    plt.tight_layout()
    plt.savefig(,
                dpi=, bbox_inches=)
    plt.close()

     fi_df